如何将字符串转换成字面意思？

Question

我想写一个通用函数，可以接受不同的机器学习算法和它的参数，并初始化一个模型。

我写道：

def create_model(model_name,kernel='rbf',C=1.0):
      clf = model_name()
print(create_model('SVC'))

错误是：

clf = model_name() TypeError：'str‘对象不可调用

我理解错误是说您不能使用字符串('SVC')作为模型对象。因此，我尝试添加evaluate(model_name)()将字符串转换为对象，但得到了name 'evaluate' is not defined。

有人能告诉我正确的方法吗？我想这样做，这样我就可以在函数中添加一组可选的参数，然后在相同的函数中用logistic回归替换SVC。

Answer 1

如果您不太确定是否可以信任传递给model_name的字符串，请创建一个dict将可接受的字符串值映射到它们的类。

models = [modelA, modelB, modelC]
name2model = {model.__name__: model for model in models}

def create_model(model_name, *args, **kwargs):
      return name2model[model_name](*args, **kwargs)

编辑:当然，这假设您必须首先处理字符串名称，例如用户输入。否则，请参见Samwises的评论。

Answer 2

如果我对你的理解是正确的，这可能就是你想要的自动化：

from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

model_dict = {
'logr': LogisticRegression(),
'rf': RandomForestClassifier(),
'svc': SVC()
}

def create_model(model_name, kernel='rbf', C=1.0):
    clf = model_dict[model_name]
    return clf

for mod in model_dict.keys():
    model = create_model(mod)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    print(mod, accuracy_score(y_test, y_pred))

但是，对于不同的模型，存在着不同的超参数，因此create_model()函数不能对不同的模型使用C=1.0。

这种自动化对于基准模型的性能可能很有用，那么您只需要以下代码：

model_dict = {
'logr': LogisticRegression(),
'rf': RandomForestClassifier(),
'svc': SVC()
}

for mod in model_dict.keys():
    model = model_dict[mod]
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    print(mod, accuracy_score(y_test, y_pred))