Evalml: Ensembler empilé : utilisez le même séparateur de données CV que le reste de l'automl

Créé le 22 déc. 2020  ·  4Commentaires  ·  Source: alteryx/evalml

Problème
Actuellement, l'ensemble empilé a sa propre configuration pour CV. IterativeAlgorithm appelle le _make_stacked_ensembler util , mais ne traverse pas actuellement le séparateur de données à partir de la recherche automatique.

Le séparateur de données configuré par défaut dans l'ensembler empilé ne définit pas shuffle=True , ce qui pourrait entraîner de mauvaises performances si l'ensemble de données d'entrée a un ordre. Il n'aura pas non plus les mêmes réglages pour d'autres paramètres comme n_folds , ce qui n'est pas idéal.

De plus, cette différence nous empêche de prendre en charge sklearn 0.24.0 . La résolution de ce problème devrait nous permettre de prendre en charge cette version.

Réparer
Laissons automl passer son séparateur de données à travers IterativeAlgorithm dans l'ensembler empilé.

bug

Tous les 4 commentaires

@ angela97lin est-ce que mon explication a du sens / y avait-il une raison pour laquelle nous avons choisi de ne pas le faire lors de la configuration de l'empilement ? :)

@dsherry Je pense que votre explication est logique ! Lorsque nous avons configuré l'empilement lors de la configuration de l'IIRC et que nous essayions de le rendre plus performant / d'accélérer l'empilement, nous voulions utiliser par défaut quelque chose qui n'avait pas trop de plis - d'où la ligne self._default_cv(n_splits=3, random_state=random_state) où nous prenons le par défaut spécifié par scikit-learn et codé en dur n_splits à 3.

J'ai approfondi un peu la question et j'ai essayé d'intégrer la méthode de division des données utilisée par AutoML au composant d'ensemble empilé. Cependant, j'ai rencontré ce problème (après avoir abordé les mises à jour de l'API nécessaires au fonctionnement de notre classe TrainingValidationSplit ) :


estimator = WrappedSKClassifier(pipeline=LogisticRegressionBinaryPipeline(parameters={'Imputer':{'categorical_impute_strategy': 'm...Logistic Regression Classifier':{'penalty': 'l2', 'C': 1.0, 'n_jobs': -1, 'multi_class': 'auto', 'solver': 'lbfgs'},}))
X =            0         1         2         3         4
0   0.965469  0.041236  0.028701  0.659165  0.213375
1   0.043831...978  0.079577
48  0.376344  0.920154  0.314640  0.180086  0.197598
49  0.682661  0.046529  0.400513  0.412513  0.751464
y = array([1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0,
       1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0,
       1, 0, 1, 0, 1, 0])

    <strong i="7">@_deprecate_positional_args</strong>
    def cross_val_predict(estimator, X, y=None, *, groups=None, cv=None,
                          n_jobs=None, verbose=0, fit_params=None,
                          pre_dispatch='2*n_jobs', method='predict'):
        """Generate cross-validated estimates for each input data point

        The data is split according to the cv parameter. Each sample belongs
        to exactly one test set, and its prediction is computed with an
        estimator fitted on the corresponding training set.

        Passing these predictions into an evaluation metric may not be a valid
        way to measure generalization performance. Results can differ from
        :func:`cross_validate` and :func:`cross_val_score` unless all tests sets
        have equal size and the metric decomposes over samples.

        Read more in the :ref:`User Guide <cross_validation>`.

        Parameters
        ----------
        estimator : estimator object implementing 'fit' and 'predict'
            The object to use to fit the data.

        X : array-like of shape (n_samples, n_features)
            The data to fit. Can be, for example a list, or an array at least 2d.

        y : array-like of shape (n_samples,) or (n_samples, n_outputs), \
                default=None
            The target variable to try to predict in the case of
            supervised learning.

        groups : array-like of shape (n_samples,), default=None
            Group labels for the samples used while splitting the dataset into
            train/test set. Only used in conjunction with a "Group" :term:`cv`
            instance (e.g., :class:`GroupKFold`).

        cv : int, cross-validation generator or an iterable, default=None
            Determines the cross-validation splitting strategy.
            Possible inputs for cv are:

            - None, to use the default 5-fold cross validation,
            - int, to specify the number of folds in a `(Stratified)KFold`,
            - :term:`CV splitter`,
            - An iterable yielding (train, test) splits as arrays of indices.

            For int/None inputs, if the estimator is a classifier and ``y`` is
            either binary or multiclass, :class:`StratifiedKFold` is used. In all
            other cases, :class:`KFold` is used.

            Refer :ref:`User Guide <cross_validation>` for the various
            cross-validation strategies that can be used here.

            .. versionchanged:: 0.22
                ``cv`` default value if None changed from 3-fold to 5-fold.

        n_jobs : int, default=None
            Number of jobs to run in parallel. Training the estimator and
            predicting are parallelized over the cross-validation splits.
            ``None`` means 1 unless in a :obj:`joblib.parallel_backend` context.
            ``-1`` means using all processors. See :term:`Glossary <n_jobs>`
            for more details.

        verbose : int, default=0
            The verbosity level.

        fit_params : dict, defualt=None
            Parameters to pass to the fit method of the estimator.

        pre_dispatch : int or str, default='2*n_jobs'
            Controls the number of jobs that get dispatched during parallel
            execution. Reducing this number can be useful to avoid an
            explosion of memory consumption when more jobs get dispatched
            than CPUs can process. This parameter can be:

                - None, in which case all the jobs are immediately
                  created and spawned. Use this for lightweight and
                  fast-running jobs, to avoid delays due to on-demand
                  spawning of the jobs

                - An int, giving the exact number of total jobs that are
                  spawned

                - A str, giving an expression as a function of n_jobs,
                  as in '2*n_jobs'

        method : {'predict', 'predict_proba', 'predict_log_proba', \
                  'decision_function'}, default='predict'
            The method to be invoked by `estimator`.

        Returns
        -------
        predictions : ndarray
            This is the result of calling `method`. Shape:

                - When `method` is 'predict' and in special case where `method` is
                  'decision_function' and the target is binary: (n_samples,)
                - When `method` is one of {'predict_proba', 'predict_log_proba',
                  'decision_function'} (unless special case above):
                  (n_samples, n_classes)
                - If `estimator` is :term:`multioutput`, an extra dimension
                  'n_outputs' is added to the end of each shape above.

        See Also
        --------
        cross_val_score : Calculate score for each CV split.
        cross_validate : Calculate one or more scores and timings for each CV
            split.

        Notes
        -----
        In the case that one or more classes are absent in a training portion, a
        default score needs to be assigned to all instances for that class if
        ``method`` produces columns per class, as in {'decision_function',
        'predict_proba', 'predict_log_proba'}.  For ``predict_proba`` this value is
        0.  In order to ensure finite output, we approximate negative infinity by
        the minimum finite float value for the dtype in other cases.

        Examples
        --------
        >>> from sklearn import datasets, linear_model
        >>> from sklearn.model_selection import cross_val_predict
        >>> diabetes = datasets.load_diabetes()
        >>> X = diabetes.data[:150]
        >>> y = diabetes.target[:150]
        >>> lasso = linear_model.Lasso()
        >>> y_pred = cross_val_predict(lasso, X, y, cv=3)
        """
        X, y, groups = indexable(X, y, groups)

        cv = check_cv(cv, y, classifier=is_classifier(estimator))
        splits = list(cv.split(X, y, groups))

        test_indices = np.concatenate([test for _, test in splits])
        if not _check_is_permutation(test_indices, _num_samples(X)):
>           raise ValueError('cross_val_predict only works for partitions')
E           ValueError: cross_val_predict only works for partitions

../venv/lib/python3.7/site-packages/sklearn/model_selection/_validation.py:845: ValueError

Il s'agit d'une erreur renvoyée lorsque nous essayons d'appeler :

clf = StackedEnsembleClassifier(input_pipelines=[logistic_regression_binary_pipeline_class(parameters={})], cv=TrainingValidationSplit())
    clf.fit(X, y)

La raison en est que scikit-learn valide que le cv transmis est bien une méthode de validation croisée ; il n'est pas satisfait des divisions simples telles que TrainingValidationSplit où certaines des données ne seront jamais dans les données de test (puisqu'il n'y a qu'une seule division).

En tant que tel, je pense que le meilleur plan pour le moment est de prendre en charge scikit-learn 0.24 et de définir le cv par défaut shuffle=True . Nous pouvons revoir cela si nous pensons que c'est une chose utile à faire. Des pensées, @dsherry?

Connexes : https://stackoverflow.com/questions/41753795/sklearn-timeseriessplit-cross-val-predict-only-works-for-partitions

1593 ne devrait plus être bloqué par ce problème, puisque ce qui était nécessaire pour 0.24.0 aurait dû être résolu dans #1613.

Cette page vous a été utile?
0 / 5 - 0 notes