python - 如何使用 scikit-learn API 实现元估计器？

Question

我想实现一个与所有 scikit-learn 兼容的简单包装器/元估计器。很难找到我到底需要什么的完整描述。

目标是让回归器也学习阈值以成为分类器。所以我想出了:

from sklearn.base import BaseEstimator, ClassifierMixin, clone

class Thresholder(BaseEstimator, ClassifierMixin):
    def __init__(self, regressor):
        self.regressor = regressor
        # threshold_ does not get initialized in __init__ ??

    def fit(self, X, y, optimal_threshold):
        self.regressor = clone(self.regressor)    # is this required my sklearn??
        self.regressor.fit(X, y)

        y_raw = self.regressor.predict()
        self.threshold_ = optimal_threshold(y_raw)

    def predict(self, X):
        y_raw = self.regressor.predict(X)

        y = np.digitize(y_raw, [self.threshold_])

        return y

这是否实现了我需要的完整 API？

我的主要问题是把 threshold 放在哪里.我希望它只学习一次并且可以在后续 .fit 中重复使用调用新数据而无需重新调整。但是对于当前版本，它必须在每个 .fit 上重新调整。打电话 - 我不想要？

另一方面，如果我将其设为固定参数 self.threshold并将其传递给 __init__ ，那么我不应该用数据来改变它？

我如何制作 threshold可以在 .fit 的一次调用中调整的参数并为后续 .fit 修复电话？

Answer 1

I actually wrote a blog post about this the other day .我假设您正在尝试构建类似于 TransformedTargetRegressor 的东西。我建议查看它的源代码来构建类似的东西。
您当前的实现似乎是正确的。就这个问题而言:

How can I make a threshold parameter which can be tuned in one call of .fit and be fixed for subsequent .fit calls?

我建议不要这样做，因为 scikit-learn的 API 基于 fit方法重新拟合模型的所有可调方面。这里有两条路线可以走，要么加一个 **kwarg适合明确保护 theshold从更新或者你可以去什么 @rotem-tal suggested .如果您选择后者，它可能如下所示:

import numpy as np
from sklearn.base import BaseEstimator, ClassifierMixin

def optimal_threshold(y_raw: np.ndarray) -> np.ndarray:
    return np.array([0.1, 0.5, 1])  # some implementation here

class Thresholder(BaseEstimator, ClassifierMixin):
    def __init__(self, regressor):
        self.regressor = regressor
        self.threshold = None

    def fit(self, X, y, optimal_threshold):
        # you don't need to clone the regressor
        self.regressor.fit(X, y)

        y_raw = self.regressor.predict()
        if self.threshold is None:
            self.threshold = optimal_threshold(y_raw)

    def predict(self, X):
        y_raw = self.regressor.predict(X)

        y = np.digitize(y_raw, [self.threshold_])

        return y