Comment passer les paramètres sur les étapes de Sklearn Pipeline?
-
02-11-2019 - |
Question
Je travaille sur un modèle neuronal profond pour la classification du texte à l'aide de keras. Pour affiner certains hyperparamètres, j'utilise des emballages Keras pour l'API Scikit-Learn. J'ai donc construit un pipeline Sklearn pour cela:
def create_model(optimizer="adam", nbr_features=100):
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(nbr_features,)))
...
model.compile(loss='binary_crossentropy', optimizer=optimizer,metrics=["accuracy"])
return model
estimator = Pipeline([("tfidf", TfidfVectorizer()),
('norm', StandardScaler(with_mean=False)),
("km", KerasClassifier(build_fn=create_model, verbose=1))])
grid_params = {
'tfidf__max_df': (0.1, 0.25, 0.5, 0.75, 1.0),
'tfidf__max_features': (100, 500, 1000, 5000,),
... }
gs = GridSearchCV(estimator,
param_grid,
...)
Je veux passer Max_Features paramètres de tfidf mettre en scène km mettre en scène nbr_features. Un hack / solution de contournement pour faire cela?
Pas de solution correcte
Licencié sous: CC-BY-SA avec attribution
Non affilié à datascience.stackexchange