scikit-learn - scikit-learn GridSearchCV 中的 sample_weight 参数形状错误

Question

将 sample_weight 参数传递给 GridSearchCV 会由于形状不正确而引发错误。我怀疑交叉验证无法根据数据集相应地处理 sample_weights 的拆分。

第一部分:使用 sample_weight 作为模型参数效果很好

让我们考虑一个简单的例子，首先没有 GridSearch:

import pandas as pd
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection import GridSearchCV
import matplotlib.pyplot as plt


dataURL = 'https://raw.githubusercontent.com/mcasl/PAELLA/master/data/sinusoidal_data.csv'

x = pd.read_csv(dataURL, usecols=["x"]).x
y = pd.read_csv(dataURL, usecols=["y"]).y
occurrences = pd.read_csv(dataURL, usecols=["Occurrences"]).Occurrences
my_sample_weights = (1 - occurrences/10000)**3

my_sample_weights包含我分配给 x, y 中每个观察值的重要性，如下图所示。正弦曲线的点比形成背景噪声的点获得更高的权重。

plt.scatter(x, y, c=my_sample_weights>0.9, cmap="cool")

让我们训练一个神经网络，首先不使用 my_sample_weights 中包含的信息:

def make_model(number_of_hidden_neurons=1):
    model = Sequential()
    model.add(Dense(number_of_hidden_neurons, input_shape=(1,), activation='tanh'))
    model.add(Dense(1, activation='linear'))
    model.compile(optimizer='sgd', loss='mse')
    return model

net_Not_using_sample_weight = make_model(number_of_hidden_neurons=6)
net_Not_using_sample_weight.fit(x,y, epochs=1000)

plt.scatter(x, y, )
plt.scatter(x, net_Not_using_sample_weight.predict(x), c="green")

如下图所示，神经网络试图拟合正弦曲线的形状，但背景噪声使其无法很好地拟合。


现在，使用 my_sample_weights的信息，预测的质量要好得多。


第二部分:使用 sample_weight 作为 GridSearchCV 参数会引发错误

my_Regressor = KerasRegressor(make_model)

validator = GridSearchCV(my_Regressor,
                     param_grid={'number_of_hidden_neurons': range(4, 5),
                                 'epochs': [500],
                                },
                     fit_params={'sample_weight': [ my_sample_weights ]},
                     n_jobs=1,
                    )
validator.fit(x, y)

尝试将 sample_weights 作为参数传递会出现以下错误:

...
ValueError: Found a sample_weight array with shape (1000,) for an input with shape (666, 1). sample_weight cannot be broadcast.

似乎 sample_weight 向量没有以与输入数组类似的方式分割。

对于什么是值得的:

import sklearn
print(sklearn.__version__)
0.18.1

import keras
print(keras.__version__)
2.0.5

Answer 1

问题是，作为标准，GridSearch 使用 3 倍交叉验证，除非另有明确说明。这意味着数据的 2/3 数据点用作训练数据，1/3 用作交叉验证，这确实符合错误消息。 fit_params 的 1000 个输入形状与用于训练的训练示例数量 (666) 不匹配。调整大小，代码将运行。

my_sample_weights = np.random.uniform(size=666)