Scikit-Learn GridSearch 自定义评分函数

Question

我需要对维度 (5000, 26421) 的数据集执行内核 pca 以获得较低维度的表示。为了选择分量的数量(比如 k)参数，我正在执行数据的减少和对原始空间的重建，并获得不同 k 值的重建数据和原始数据的均方误差。

我遇到了 sklearn 的 gridsearch 功能，并希望将其用于上述参数估计。由于内核 pca 没有评分函数，所以我实现了一个自定义评分函数并将其传递给 Gridsearch。

from sklearn.decomposition.kernel_pca import KernelPCA
from sklearn.model_selection import GridSearchCV
import numpy as np
import math

def scorer(clf, X):
    Y1 = clf.inverse_transform(X)
    error = math.sqrt(np.mean((X - Y1)**2))
    return error

param_grid = [
    {'degree': [1, 10], 'kernel': ['poly'], 'n_components': [100, 400, 100]},
    {'gamma': [0.001, 0.0001], 'kernel': ['rbf'], 'n_components': [100, 400, 100]},
]

kpca = KernelPCA(fit_inverse_transform=True, n_jobs=30)
clf = GridSearchCV(estimator=kpca, param_grid=param_grid, scoring=scorer)
clf.fit(X)

但是，它会导致以下错误:

/usr/lib64/python2.7/site-packages/sklearn/metrics/pairwise.py in check_pairwise_arrays(X=array([[ 2.,  2.,  1., ...,  0.,  0.,  0.],
    ....,  0.,  1., ...,  0.,  0.,  0.]], dtype=float32), Y=array([[-0.05904257, -0.02796719,  0.00919842, ....        0.00148251, -0.00311711]], dtype=float32), precomp
uted=False, dtype=<type 'numpy.float32'>)
    117                              "for %d indexed." %
    118                              (X.shape[0], X.shape[1], Y.shape[0]))
    119     elif X.shape[1] != Y.shape[1]:
    120         raise ValueError("Incompatible dimension for X and Y matrices: "
    121                          "X.shape[1] == %d while Y.shape[1] == %d" % (
--> 122                              X.shape[1], Y.shape[1]))
        X.shape = (1667, 26421)
        Y.shape = (112, 100)
    123 
    124     return X, Y
    125 
    126 

ValueError: Incompatible dimension for X and Y matrices: X.shape[1] == 26421 while Y.shape[1] == 100

有人能指出我到底做错了什么吗？

Answer 1

评分函数的语法不正确。您只需要通过predicted和 truth分类器的值。这就是您声明自定义评分函数的方式:

def my_scorer(y_true, y_predicted):
    error = math.sqrt(np.mean((y_true - y_predicted)**2))
    return error

那么你可以使用 make_scorer Sklearn 中的函数将其传递给 GridSearch。一定要设置 greater_is_better相应地属性:

Whether score_func is a score function (default), meaning high is good, or a loss function, meaning low is good. In the latter case, the scorer object will sign-flip the outcome of the score_func.

我假设你正在计算一个错误，所以这个属性应该设置为 False ，因为误差越小越好:

from sklearn.metrics import make_scorer
my_func = make_scorer(my_scorer, greater_is_better=False)

然后你将它传递给 GridSearch :

GridSearchCV(estimator=my_clf, param_grid=param_grid, scoring=my_func)

哪里 my_clf是你的分类器。

还有一件事，我不认为 GridSearchCV正是您正在寻找的。它基本上以训练和测试分割的形式接受数据。但在这里您只想转换您的输入数据。您需要使用 Pipeline in Sklearn .看例子 mentioned here结合 PCA 和 GridSearchCV。