Соединение склеарн конвейера + вложенная перекрестная проверка для регрессии КНН

Question

Я пытаюсь выяснить, как построить рабочий процесс для sklearn.neighbors.KNeighborsRegressor это включает:

• нормализовать функции
• выбор функции (лучшее подмножество из 20 числовых функций, без конкретной суммы)
• перекрестная проверка гиперпараметра K в диапазоне от 1 до 20
• перекрестная проверка модели
• использует RMSE в качестве метрики ошибки

В scikit-learn так много разных вариантов, что я немного ошеломлен, пытаясь решить, какие классы мне нужны.

Кроме того sklearn.neighbors.KNeighborsRegressorДумаю, мне нужно:

sklearn.pipeline.Pipeline  
sklearn.preprocessing.Normalizer
sklearn.model_selection.GridSearchCV
sklearn.model_selection.cross_val_score

sklearn.feature_selection.selectKBest
OR
sklearn.feature_selection.SelectFromModel

Кто-нибудь, пожалуйста, покажите мне, как может выглядеть определение этого конвейера / рабочего процесса? Я думаю, что это должно быть что-то вроде этого:

import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import Normalizer
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.neighbors import KNeighborsRegressor
from sklearn.model_selection import cross_val_score, GridSearchCV

# build regression pipeline
pipeline = Pipeline([('normalize', Normalizer()),
                     ('kbest', SelectKBest(f_classif)),
                     ('regressor', KNeighborsRegressor())])

# try knn__n_neighbors from 1 to 20, and feature count from 1 to len(features)
parameters = {'kbest__k':  list(range(1, X.shape[1]+1)),
              'regressor__n_neighbors': list(range(1,21))}

# outer cross-validation on model, inner cross-validation on hyperparameters
scores = cross_val_score(GridSearchCV(pipeline, parameters, scoring="neg_mean_squared_error", cv=10), 
                         X, y, cv=10, scoring="neg_mean_squared_error", verbose=2)

rmses = np.abs(scores)**(1/2)
avg_rmse = np.mean(rmses)
print(avg_rmse)

Кажется, это не ошибка, но некоторые из моих проблем:

• Правильно ли я провел вложенную перекрестную проверку, чтобы моя RMSE была беспристрастной?
• Если я хочу, чтобы окончательная модель была выбрана в соответствии с лучшим среднеквадратичным значением, я должен использовать scoring="neg_mean_squared_error" для обоих cross_val_score а также GridSearchCV?
• Является SelectKBest, f_classif лучший вариант для выбора функций для KNeighborsRegressor модель?
• Как я могу увидеть:
  • какое подмножество функций было выбрано как лучшее
  • какой К был выбран лучшим

Любая помощь очень ценится!

Answer 1

Ваш код кажется в порядке.

Для scoring="neg_mean_squared_error" для обоих cross_val_score а также GridSearchCVЯ бы сделал то же самое, чтобы убедиться, что все работает нормально, но единственный способ проверить это - удалить один из двух и посмотреть, изменятся ли результаты.

SelectKBest это хороший подход, но вы также можете использовать SelectFromModel или даже другие методы, которые вы можете найти здесь

Наконец, чтобы получить лучшие параметры и оценки возможностей, я немного изменил ваш код следующим образом:

import ...


pipeline = Pipeline([('normalize', Normalizer()),
                     ('kbest', SelectKBest(f_classif)),
                     ('regressor', KNeighborsRegressor())])

# try knn__n_neighbors from 1 to 20, and feature count from 1 to len(features)
parameters = {'kbest__k':  list(range(1, X.shape[1]+1)),
              'regressor__n_neighbors': list(range(1,21))}

# changes here

grid = GridSearchCV(pipeline, parameters, cv=10, scoring="neg_mean_squared_error")

grid.fit(X, y)

# get the best parameters and the best estimator
print("the best estimator is \n {} ".format(grid.best_estimator_))
print("the best parameters are \n {}".format(grid.best_params_))

# get the features scores rounded in 2 decimals
pip_steps = grid.best_estimator_.named_steps['kbest']

features_scores = ['%.2f' % elem for elem in pip_steps.scores_ ]
print("the features scores are \n {}".format(features_scores))

feature_scores_pvalues = ['%.3f' % elem for elem in pip_steps.pvalues_]
print("the feature_pvalues is \n {} ".format(feature_scores_pvalues))

# create a tuple of feature names, scores and pvalues, name it "features_selected_tuple"

featurelist = ['age', 'weight']

features_selected_tuple=[(featurelist[i], features_scores[i], 
feature_scores_pvalues[i]) for i in pip_steps.get_support(indices=True)]

# Sort the tuple by score, in reverse order

features_selected_tuple = sorted(features_selected_tuple, key=lambda 
feature: float(feature[1]) , reverse=True)

# Print
print 'Selected Features, Scores, P-Values'
print features_selected_tuple

Результаты с использованием моих данных:

the best estimator is
Pipeline(steps=[('normalize', Normalizer(copy=True, norm='l2')), ('kbest', SelectKBest(k=2, score_func=<function f_classif at 0x0000000004ABC898>)), ('regressor', KNeighborsRegressor(algorithm='auto', leaf_size=30, metric='minkowski',
         metric_params=None, n_jobs=1, n_neighbors=18, p=2,
         weights='uniform'))])

the best parameters are
{'kbest__k': 2, 'regressor__n_neighbors': 18}

the features scores are
['8.98', '8.80']

the feature_pvalues is
['0.000', '0.000']

Selected Features, Scores, P-Values
[('correlation', '8.98', '0.000'), ('gene', '8.80', '0.000')]