根据（估计的）特征数量选择 KBest

Question

我正在尝试使用 scikit-learn 实现分层文本分类器，其中一个 "root" 分类器将所有输入字符串排列在 ~50 个类别中的一个（或多个）类别中。对于这些类别中的每一个，我将训练一个新的分类器来解决实际任务。

采用这种两层方法的原因是训练性能和内存问题（应该分离 >1k 类的分类器表现不佳...）。

对于这些 "subclassifiers"

，我的管道是这样的

pipeline = Pipeline([
    ('vect', CountVectorizer(strip_accents=None, lowercase=True, analyzer='char_wb', ngram_range=(3,8), max_df=0.1)),
    ('tfidf', TfidfTransformer(norm='l2')),
    ('feat', SelectKBest(chi2, k=10000)),
    ('clf', OneVsRestClassifier(SGDClassifier(loss='log', penalty='elasticnet', alpha=0.0001, n_iter=10))),
])

现在我的问题是：我正在使用 SelectKBest 将模型大小限制在一个合理的范围内，但是对于子分类器，有时没有足够的输入数据可用，所以我什至没有得到10k 功能限制，这导致

(...)
  File "/usr/local/lib/python3.4/dist-packages/sklearn/feature_selection/univariate_selection.py", line 300, in fit
    self._check_params(X, y)
  File "/usr/local/lib/python3.4/dist-packages/sklearn/feature_selection/univariate_selection.py", line 405, in _check_params
    % self.k)
ValueError: k should be >=0, <= n_features; got 10000.Use k='all' to return all features.

我不知道如果不应用 CountVectorizer 我会有多少功能，但我必须提前定义管道。我的首选解决方案是跳过 SelectKBest 步骤，如果无论如何都少于 k 功能，但我不知道如何在不调用 CountVectorizer 两次（一次在前进，一次作为管道的一部分）。

对此有什么想法吗？

Answer 1

我认为最干净的选择是子类化 SelectKBest 并在您的实现中回退到身份转换，如果 k 超过输入特征的数量，否则只调用超级实现。

Answer 2

我听从了的建议并创建了 SelectKBest 的子类来实现所需的功能：

class SelectAtMostKBest(SelectKBest):

    def _check_params(self, X, y):
        if not (self.k == "all" or 0 <= self.k <= X.shape[1]):
            # set k to "all" (skip feature selection), if less than k features are available
            self.k = "all"

我试图将这个片段添加到他的回答中，但请求被拒绝了，所以你...

Answer 3

你可以使用SelectPercentile，如果你没有固定数量的特征，这更有意义。

根据（估计的）特征数量选择 KBest

SelectKBest based on (estimated) amount of features

python

scikit-learn