Sklearn Pipeline:在GridSearchCV中应用LimeSeriessPlit之前，请在完整训练集上运

Question

我敢肯定这是可能的，但我无法弄清楚。使用TimeSeriesSplit使用num_split=5给予培训数据集，分裂看起来像：

[0] : [1]
[0 1] : [2]
[0 1 2] : [3]
[0 1 2 3] : [4]
[0 1 2 3 4] : [5]

问题是针对前几个通过的，TfidfVectorizer正在使用标称词汇/功能，我想在分裂之前在整个训练集上运行该功能，以使功能大小保持相同，以用于所有分裂。

禁止这样做，但是有人知道使用TimeSeriesSplit时仅通过该系列中的最后两个分裂吗？因此， GridSearchCV不是所有5个拆分，而是使用这两个：

[0 1 2 3] : [4]
[0 1 2 3 4] : [5]

，即使两次通过之间并不相同，这也可以拟合更好的矢量化 - 至少在验证之前可以使用更大的部分。

谢谢。

编辑：

我正在使用的管道本质上是TFIDFVECTORIZER，然后在分类器上进行。但是，对数据和功能进行了一些检查，看起来数据集在被送入TFIDVectorizer（）之前被拆分了。这是广泛的笔触：

tscv = TimeSeriesSplit(n_splits=5)
pipe = Pipeline([('tfidf', TfidfVectorizer(), 'rfc', RandomForestClassifier()])
grid = GridSearchCV(pipe, params, cv=tscv, scoring='roc_auc')

Answer 1

这似乎可以做我想要的。没有意识到您本质上只能通过CV一个值得一提的。您所要做的就是创建一个时间序列拆分或所需的任何拆分，然后通过包含索引的疑问。因此，如果您有一个10个项目数据集，并且只需要将num_split=4的最后两个时间序列拆分，则只需将其传递给CV：

cv = [([0, 1, 2, 3, 4, 5], [6, 7]),
      ([0, 1, 2, 3, 4, 5, 6, 7], [8, 9]))

以这种方式，您可以通过想要的任何元组。