Doc2Vec 的管道和网格搜索

Question

我目前有以下脚本，可帮助找到 doc2vec 模型的最佳模型。它的工作原理是这样的：首先根据给定的参数训练一些模型，然后针对分类器进行测试。最后，它输出最好的模型和分类器（我希望）。

数据

示例数据（data.csv）可以在这里下载：https://pastebin.com/takYp6T8 请注意，数据的结构应该构成一个准确率为 1.0 的理想分类器。

脚本

import sys
import os
from time import time
from operator import itemgetter
import pickle
import pandas as pd
import numpy as np
from argparse import ArgumentParser

from gensim.models.doc2vec import Doc2Vec
from gensim.models import Doc2Vec
import gensim.models.doc2vec
from gensim.models import KeyedVectors
from gensim.models.doc2vec import TaggedDocument, Doc2Vec

from sklearn.base import BaseEstimator
from gensim import corpora

from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report


dataset = pd.read_csv("data.csv")

class Doc2VecModel(BaseEstimator):

    def __init__(self, dm=1, size=1, window=1):
        self.d2v_model = None
        self.size = size
        self.window = window
        self.dm = dm

    def fit(self, raw_documents, y=None):
        # Initialize model
        self.d2v_model = Doc2Vec(size=self.size, window=self.window, dm=self.dm, iter=5, alpha=0.025, min_alpha=0.001)
        # Tag docs
        tagged_documents = []
        for index, row in raw_documents.iteritems():
            tag = '{}_{}'.format("type", index)
            tokens = row.split()
            tagged_documents.append(TaggedDocument(words=tokens, tags=[tag]))
        # Build vocabulary
        self.d2v_model.build_vocab(tagged_documents)
        # Train model
        self.d2v_model.train(tagged_documents, total_examples=len(tagged_documents), epochs=self.d2v_model.iter)
        return self

    def transform(self, raw_documents):
        X = []
        for index, row in raw_documents.iteritems():
            X.append(self.d2v_model.infer_vector(row))
        X = pd.DataFrame(X, index=raw_documents.index)
        return X

    def fit_transform(self, raw_documents, y=None):
        self.fit(raw_documents)
        return self.transform(raw_documents)


param_grid = {'doc2vec__window': [2, 3],
              'doc2vec__dm': [0,1],
              'doc2vec__size': [100,200],
              'logreg__C': [0.1, 1],
}

pipe_log = Pipeline([('doc2vec', Doc2VecModel()), ('log', LogisticRegression())])

log_grid = GridSearchCV(pipe_log, 
                        param_grid=param_grid,
                        scoring="accuracy",
                        verbose=3,
                        n_jobs=1)

fitted = log_grid.fit(dataset["posts"], dataset["type"])

# Best parameters
print("Best Parameters: {}\n".format(log_grid.best_params_))
print("Best accuracy: {}\n".format(log_grid.best_score_))
print("Finished.")

关于我的脚本，我确实有以下问题（我在这里将它们结合起来以避免三个帖子具有相同的代码 sn-p）：

1. def __init__(self, dm=1, size=1, window=1): 的用途是什么？我可以以某种方式删除这部分（尝试失败）吗？
2. 如何将RandomForest 分类器（或其他）添加到 GridSearch 工作流/管道？
3. 如何将训练/测试数据拆分添加到上述代码中，因为当前脚本仅在完整数据集上进行训练？

Answer 1

1) init() 允许您定义希望类在初始化时采用的参数（相当于 java 中的构造函数）。

请查看这些问题了解更多详情：

• Python __init__ and self what do they do?
• Python constructors and __init__

2) 为什么要添加RandomForestClassifier，它的输入是什么？

看看你的另外两个问题，你想在这里比较一下RandomForestClassifier的输出和LogisticRegression吗？如果是这样，你在this question of yours 做得很好。

3) 你已经导入了train_test_split，就用它吧。

X_train, X_test, y_train, y_test = train_test_split(dataset["posts"], dataset["type"])

fitted = log_grid.fit(X_train, y_train)