具有交叉验证的 ngrams 文本模型

Question

在 ngram 模型（字符 ngram 或词袋）中，我们需要确保测试数据的词汇表不用于拟合或训练模型。这就是 sklearn TfidfVectorizer 函数对两个函数（拟合和变换）所做的事情。所以，如果我有一个 sklearn 管道模型：model = Pipeline([        ('tfidf', TfidfVectorizer()),        ('svc', SVC())    ])我将它传递给交叉验证函数：cv = cross_val_score(model, data['text'], data['label'], cv=5, scoring='accuracy', n_jobs=-1)cross_val_score 是否在每个折叠中遵循场景（适合训练..然后，在测试中转换）？或者它只是在开始时适合模型一次（第一次折叠）？

Answer 1

是的，每个 cv 步骤都会运行管道，因此对于 cv 的每个步骤，tfidf 拟合仅针对训练折叠和测试和测试折叠的转换完成

from sklearn.pipeline import Pipeline

from sklearn.base import BaseEstimator

from sklearn import linear_model

from sklearn.model_selection import cross_val_score

class Estimator(BaseEstimator):

    def fit(self,x,y=None):

        print ("inside fit:",x)

        return self

    def transform(self, x):

        print ("inside transform", x)

        return x

    def score(self,x,y):

        return 1

model = Pipeline([("e", Estimator()), ('l', linear_model.Lasso())])

cross_val_score(model, np.arange(15).reshape(3,5), np.arange(3), cv=3)