sklearn boru hattı - Bir boru hattında bir polinom özellik dönüşümü uygulandıktan sonra örnek ağırlıkları uygulanması

Question

Örnek ağırlıkları uygulamak istiyorum ve aynı zamanda bir özellik dönüşümü yapması gereken sklearn'den bir boru hattı kullanın. polinom ve ardından bir regresör, örn. ExtraTrees.

#Feature generation 
X = np.random.rand(200,4) 
Y = np.random.rand(200) 

#Feature transformation 
poly = PolynomialFeatures(degree=2) 
poly.fit_transform(X) 

#Model generation and fit 
clf = ExtraTreesRegressor(n_estimators=5, max_depth = 3) 
weights = [1]*100 + [2]*100 
clf.fit(X,Y, weights) 

Ama:

from sklearn.ensemble import ExtraTreesRegressor 
import numpy as np 
from sklearn.pipeline import Pipeline 
from sklearn.preprocessing import PolynomialFeatures 

Herşey sürece ben ayrı özelliklere dönüştürmek ve üretmek ve sonrasında modeli eğitmek yanı çalışır:

ben aşağıdaki iki örnekte aşağıdaki paketleri kullanıyorum Bir boru hattında bunu yapmak işe yaramıyor:

#Pipeline generation 
pipe = Pipeline([('poly2', PolynomialFeatures(degree=2)), ('ExtraTrees', ExtraTreesRegressor(n_estimators=5, max_depth = 3))]) 

#Feature generation 
X = np.random.rand(200,4) 
Y = np.random.rand(200) 

#Fitting model 
clf = pipe 
weights = [1]*100 + [2]*100 
clf.fit(X,Y, weights) 

lowing error: TypeError: fit() en fazla 3 argümanı alır (4 verilen) Bu basit örnekte kodu değiştirmek hiç sorun değil, fakat gerçek kodumdaki gerçek veriler üzerinde birkaç farklı test yapmak istediğimde, Boru hatları ve numune ağırlığı

Answer 1

Kullanılabilir Pipeline dokümantasyonundaki fit yönteminde **fit_params'dan bahsedilmektedir. Parametreyi uygulamak istediğiniz boru hattının hangi adımını belirtmeniz gerekir. Sen docs adlandırma kuralları takip ederek bunu başarabilirsiniz:

For this, it enables setting parameters of the various steps using their names and the parameter name separated by a ‘__’, as in the example below.

nedenle tüm söyleniyor, son çizgiyi değiştirmeyi deneyin: boru hatları parametreleri kullanmak nasıl

clf.fit(X,Y, **{'ExtraTrees__sample_weight': weights}) 

This is a good example.