为什么 sklearn Pipeline 调用 transform() 的次数比 fit() 多很多？

Question

经过大量阅读和检查 pipeline.fit() 在不同 verbose 参数设置下的操作，我仍然很困惑为什么我的管道访问某个步骤的 transform方法很多次。

下面是一个简单的例子 pipeline，fit 和 GridSearchCV，使用 3 折交叉验证，但参数网格只有一组超参数。所以我预计流水线会运行 3 次。正如预期的那样，step1 和 step2 都被调用了 3 次 fit，但每个步骤又被调用了几次 transform。为什么是这样？下面是最小的代码示例和日志输出。

# library imports
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import KFold
from sklearn.linear_model import LogisticRegression
from sklearn.base import TransformerMixin, BaseEstimator
from sklearn.pipeline import Pipeline

# Load toy data
iris = datasets.load_iris()
X = pd.DataFrame(iris.data, columns = iris.feature_names)
y = pd.Series(iris.target, name='y')

# Define a couple trivial pipeline steps
class mult_everything_by(TransformerMixin, BaseEstimator):

    def __init__(self, multiplier=2):
        self.multiplier = multiplier

    def fit(self, X, y=None):
        print "Fitting step 1"
        return self

    def transform(self, X, y=None):
        print "Transforming step 1"
        return X* self.multiplier

class do_nothing(TransformerMixin, BaseEstimator):

    def __init__(self, meaningless_param = 'hello'):
        self.meaningless_param=meaningless_param


    def fit(self, X, y=None):
        print "Fitting step 2"
        return self

    def transform(self, X, y=None):
        print "Transforming step 2"
        return X

# Define the steps in our Pipeline
pipeline_steps = [('step1', mult_everything_by()),
                  ('step2', do_nothing()), 
                  ('classifier', LogisticRegression()),
                  ]

pipeline = Pipeline(pipeline_steps)

# To keep this example super minimal, this param grid only has one set
# of hyperparams, so we are only fitting one type of model
param_grid = {'step1__multiplier': [2],   #,3],
              'step2__meaningless_param': ['hello']   #, 'howdy', 'goodbye']
              }

# Define model-search process/object
# (fit one model, 3-fits due to 3-fold cross-validation)
cv_model_search = GridSearchCV(pipeline, 
                               param_grid, 
                               cv = KFold(3),
                               refit=False, 
                               verbose = 0) 

# Fit all (1) models defined in our model-search object
cv_model_search.fit(X,y)

输出：

Fitting step 1
Transforming step 1
Fitting step 2
Transforming step 2
Transforming step 1
Transforming step 2
Transforming step 1
Transforming step 2
Fitting step 1
Transforming step 1
Fitting step 2
Transforming step 2
Transforming step 1
Transforming step 2
Transforming step 1
Transforming step 2
Fitting step 1
Transforming step 1
Fitting step 2
Transforming step 2
Transforming step 1
Transforming step 2
Transforming step 1
Transforming step 2

Answer 1

因为您已将 GridSearchCV 与 cv = KFold(3) 一起使用，这将对您的模型进行交叉验证。事情是这样的：

它将数据分成两部分：训练和测试。
对于train，它会拟合和转换pipeline的每个部分（不包括最后一个，它是分类器）。这就是为什么您会看到 fit step1, transform step1, fit step2, transform step2.
它将适合分类器上的转换数据（它不会打印在您的输出中。
已编辑 现在是计分部分。在这里，我们不想再次重新安装零件。我们将使用在之前的拟合中学到的信息。所以管道的每个部分只会调用 transform()。这就是 Transforming step 1, Transforming step 2.
的原因
它显示了两次，因为在 GridSearchCV 中，默认行为是计算训练和测试数据的分数。此行为由 return_train_score 控制。您可以设置 return_train_score=False 并且只会看到它们一次。
此转换后的测试数据将用于预测分类器的输出。（同样，没有适合测试，只有预测或转换）。
预测值将用于与实际值进行比较，从而为模型评分。
步骤 1-6 将重复 3 次(KFold(3))。
现在看看你的参数：

param_grid = {'step1__multiplier': [2], #,3], 'step2__meaningless_param': ['hello'] #, 'howdy', 'goodbye'] }

展开时，变成单一组合即：

组合1: 'step1__multiplier'=2, 'step2__meaningless_param' = 'hello'

如果您提供了更多选项，您已经评论过更多选项，则可能会有更多组合，例如：

组合1: 'step1__multiplier'=2, 'step2__meaningless_param' = 'hello'

组合2: 'step1__multiplier'=3, 'step2__meaningless_param' = 'hello'

组合3: 'step1__multiplier'=2, 'step2__meaningless_param' = 'howdy'

等等..
将针对每种可能的组合重复步骤 1-7。
将选择在交叉验证的测试折叠上给出最高平均分的组合，以最终用完整的数据拟合模型（不分为训练和测试）。
但是你保留了refit=False。所以该模型将不会再次拟合。否则你会看到
的另一个输出
拟合步骤一改造步骤一装配步骤 2 转换步骤 2

希望这能解决这个问题。欢迎询问更多信息。

为什么 sklearn Pipeline 调用 transform() 的次数比 fit() 多很多？

Why does sklearn Pipeline call transform() so many more times than fit()?

python

pipeline

machine-learning

scikit-learn