Wie die besten Parameter (mit GridSearchCV) von einer Pipeline zu einer anderen Pipeline weitergeleitet werden

Question

Ich habe eine benutzerdefinierte Pipeline und ich verwende GridSearchCV von Sklearn, um die Parameter für die gesamte Pipeline abzustimmen. Ich habe die beste Parameterkombination mit dem Sklearn, aber ich möchte die beste Parameterkombination erhalten und an eine andere Pipeline übergeben.

Hier ist die Pipeline,

p = Pipeline([ 
    ('union', FeatureUnion(
     transformer_list=[ 
      ('chargram', Pipeline([ 
       ('tfidf', TfidfVectorizer(token_pattern=r'\w')), 
       ('kbest', SelectPercentile(score_func=chi2)), 
      ])), 
      ('custom', Pipeline([ 
       ('features', CustomFeatures()), 
       ('tfidf', TfidfVectorizer()), 
       ('kbest', SelectPercentile(score_func=chi2)), 
      ])) 
     ], 
     # weight components in FeatureUnion. Can be tuned 
     transformer_weights={ 
      'chargram': 0.8, 
      'custom': 0.8 
     }, 
     n_jobs=-1 
    )), 

    # Classifier stage  
    (('clf', clf)), 
]) 

in dieser Pipeline Also, ich für den Klassifikator erhalte die Parameterkombination auch, aber alles, was ich tun möchte, ist den Parameter für featureunion Schritt zu gelangen und diese zu dem Pass pipeline und verwenden Sie einen anderen Satz von Classifier-Parametern, um an die functionunion zu gelangen - beides kombiniert.

Gibt es eine Möglichkeit, das zu tun?

Answer 1

Sie können parameters` Werte in Variablen wie folgt speichern:

transformer_list = [ 
    ('chargram', Pipeline([ 
     ('tfidf', TfidfVectorizer(token_pattern=r'\w')), 
     ('kbest', SelectPercentile(score_func=chi2)), 
    ])), 
    ('custom', Pipeline([ 
     ('features', CustomFeatures()), 
     ('tfidf', TfidfVectorizer()), 
     ('kbest', SelectPercentile(score_func=chi2)), 
    ])) 
] 

transformer_weights = { 
    'chargram': 0.8, 
    'custom': 0.8 
} 

p = Pipeline([ 
    ('union', FeatureUnion(
     transformer_list=transformer_list, 
     # weight components in FeatureUnion. Can be tuned 
     transformer_weights=transformer_weights, 
     n_jobs=-1 
    )), 

    # Classifier stage 
    (('clf', clf)), 
]) 

P. S: Ich weiß nicht, ob ich Sie verstanden!