使用 GridSearchCV scikit-learn 进行管道中的 KMeans

Question

我想对我的文本数据执行聚类。为了找到最佳的文本预处理参数，我制作了管道并将其放入 GridSearchCV：

text_clf = Pipeline([('vect1', CountVectorizer(analyzer = "word"),
                   ('myfun', MyLemmanization(lemmatize=True,
                                           leave_other_words = True)),
                   ('vect2', CountVectorizer(analyzer = "word",
                                          max_df=0.95, min_df=2,
                                          max_features=2000)),
                   ('tfidf', TfidfTransformer()),
                   ('clust',   KMeans(n_clusters=10, init='k-means++',
                                      max_iter=100, n_init=1, verbose=1))])
parameters = {'myfun__lemmatize': (True, False),
              'myfun__leave_other_words': (True, False)}
gs_clf = GridSearchCV(text_clf, parameters, n_jobs=1, scoring=score)
gs_clf = gs_clf.fit(text_data)

在哪里 score

score = make_scorer(my_f1, greater_is_better=True)

并my_f1具有以下形式：

def my_f1(labels_true, labels_pred):
    # fancy stuff goes here

并且专为聚类而设计

所以我的问题是：如何使它起作用？如何通过labels_pred，作为一个自然人，我只能做

gs_clf.fit(data)

而在分类中有可能：

gs_clf.fit(data, labels_true)

我知道我可以编写我的自定义函数，就像我做的那样MyLemmanization：

class MyLemmanization(BaseEstimator, TransformerMixin):

    def __init__(self,  lemmatize=True, leave_other_words=True):
        #some code here
    
    def do_something_to(self, X):
        # some code here
        return articles

    def transform(self, X, y=None):
        return self.do_something_to(X)  # where the actual feature extraction happens

    def fit(self, X, y=None):
        return self  # generally does nothing

但是如何以及必须对 KMeans 或其他聚类算法做什么？

Answer 1

您可以创建自定义 K 均值，在其中使用标记数据构建初始质心，然后让 K 均值发挥其魔力。

您可能还想尝试k-NN，即使它是一种不同的方法。

更重要的是，你有一个概念问题。您说使用聚类的原因之一是因为它可能会找到以前未知的主题，但您也说您想通过与已知标签进行比较来评估性能。但你实际上不可能两者兼得...