python - 构建训练 doc2vec 嵌入的学习曲线

Question

我正在尝试优化训练嵌入的纪元数。有没有办法为这个过程生成学习曲线。

例如，我可以为常规监督分类创建学习曲线。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve
from sklearn.model_selection import StratifiedShuffleSplit

def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None, n_jobs=None, train_sizes=np.linspace(.1, 1.0, 5)):
    plt.figure()
    plt.title(title)
    if ylim is not None:
        plt.ylim(*ylim)
    plt.xlabel("Training examples")
    plt.ylabel("Score")
    train_sizes, train_scores, test_scores = learning_curve(
        estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
    train_scores_mean = np.mean(train_scores, axis=1)
    train_scores_std = np.std(train_scores, axis=1)
    test_scores_mean = np.mean(test_scores, axis=1)
    test_scores_std = np.std(test_scores, axis=1)
    plt.grid()

    plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
                     train_scores_mean + train_scores_std, alpha=0.1,
                     color="r")
    plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
                     test_scores_mean + test_scores_std, alpha=0.1, color="g")
    plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
             label="Training score")
    plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
             label="Cross-validation score")

    plt.legend(loc="best")
    return plt

title = "Learning Curves (SGDClassifier)"

cv = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=0)

estimator = SGDClassifier()
plot_learning_curve(estimator, title, X_all.todense(), y, ylim=(0.7, 1.01), cv=cv, n_jobs=4)

例如，我可以训练嵌入。

from gensim.models.doc2vec import Doc2Vec, TaggedDocument
from nltk.tokenize import word_tokenize


X_tagged = [TaggedDocument(words=word_tokenize(_d.lower()), tags=[str(i)]) for i, _d in enumerate(X)]

model = Doc2Vec(size=8, alpha=0.05, min_alpha=0.00025, dm =1)

model.build_vocab(X_tagged)

model_title.train(X_tagged, total_examples=model.corpus_count, epochs=50)

但是如何在训练嵌入时创建学习曲线。

我对训练嵌入没有足够的直觉来解决这个问题。

Answer 1

通常，学习曲线根据不同数量的训练数据绘制模型的性能(作为一些定量分数，例如“准确性”)。

因此，您需要选择一种方法来对 Doc2Vec 模型进行评分。 (也许这将通过使用文档向量作为另一个分类器或其他分类器的输入来实现。)然后，您需要使用各种不同的训练集重新创建 Doc2Vec 模型大小，对每个数据点进行评分，并将 (corpus_size, Score) 数据点输入到绘图中。

请注意，gensim 包含一个包装类，用于将 Doc2Vec 训练步骤放入 scikit-learn 管道中:

https://radimrehurek.com/gensim/sklearn_api/d2vmodel.html

因此，您也许可以用多步骤管道(包括 D2VTransformer 作为一个步骤)替换现有代码的简单估计器。因此，您可以以与现有代码高度相似的方式创建学习曲线图。