imblearn管道是否关闭采样以进行测试？

Question

让我们假设下面的代码(来自管道上的imblearn学习实例)

...    
# Instanciate a PCA object for the sake of easy visualisation
pca = PCA(n_components=2)

# Create the samplers
enn = EditedNearestNeighbours()
renn = RepeatedEditedNearestNeighbours()

# Create the classifier
knn = KNN(1)

# Make the splits
X_train, X_test, y_train, y_test = tts(X, y, random_state=42)

# Add one transformers and two samplers in the pipeline object
pipeline = make_pipeline(pca, enn, renn, knn)

pipeline.fit(X_train, y_train)
y_hat = pipeline.predict(X_test)

我希望确保在执行pipeline.predict(X_test)时，不会执行采样过程enn和renn (当然，必须执行pca )。

1. 首先，我很清楚，over-, under-, and mixed-sampling是应用于training set而不是test/validation set的过程。如果我错了，请在这里纠正我。
2. 我浏览了imblearn Pipeline代码，但在那里找不到predict方法。
3. 我还希望确保当管道位于GridSearchCV中时，这种正确的行为是有效的。

我只是需要一些保证，这就是发生在imblearn.Pipeline上的事情。

编辑: 2020-08-28

@wundermahn的答案是我所需要的。

这个编辑只是想补充一下，这就是为什么我们应该使用imblearn.Pipeline进行不平衡的预处理，而不是sklearn.Pipeline在imblearn文档中的任何地方，我找到了为什么在存在sklearn.Pipeline时需要imblearn.Pipeline的原因。

Answer 1

问题很大。按照你发布的顺序浏览它们：

1. 首先，在我看来，过度抽样、低于抽样和混合抽样是适用于培训集，而不是测试/验证集的程序。如果我错了，请在这里纠正我。

这是正确的。您当然不希望在test或validation数据上测试数据，即而不是代表实际的、实时的、“生产”数据集。你真的应该把这个应用到训练中。请注意，如果您正在使用交叉折叠验证之类的技术，您应该按照这份IEEE文件的指示，将抽样应用于每个折叠。

1. 我浏览了imblearn管道代码，但在那里找不到预测方法。

我假设您找到了imblearn.pipeline 源代码，所以如果您找到了，那么您要做的就是查看fit_predict方法：

 @if_delegate_has_method(delegate="_final_estimator")
    def fit_predict(self, X, y=None, **fit_params):
        """Apply `fit_predict` of last step in pipeline after transforms.
        Applies fit_transforms of a pipeline to the data, followed by the
        fit_predict method of the final estimator in the pipeline. Valid
        only if the final estimator implements fit_predict.
        Parameters
        ----------
        X : iterable
            Training data. Must fulfill input requirements of first step of
            the pipeline.
        y : iterable, default=None
            Training targets. Must fulfill label requirements for all steps
            of the pipeline.
        **fit_params : dict of string -> object
            Parameters passed to the ``fit`` method of each step, where
            each parameter name is prefixed such that parameter ``p`` for step
            ``s`` has key ``s__p``.
        Returns
        -------
        y_pred : ndarray of shape (n_samples,)
            The predicted target.
        """
        Xt, yt, fit_params = self._fit(X, y, **fit_params)
        with _print_elapsed_time('Pipeline',
                                 self._log_message(len(self.steps) - 1)):
            y_pred = self.steps[-1][-1].fit_predict(Xt, yt, **fit_params)
        return y_pred

在这里，我们可以看到pipeline利用了管道中最终估计器的.predict方法，在您发布的示例scikit-learn's knn中

 def predict(self, X):
        """Predict the class labels for the provided data.
        Parameters
        ----------
        X : array-like of shape (n_queries, n_features), \
                or (n_queries, n_indexed) if metric == 'precomputed'
            Test samples.
        Returns
        -------
        y : ndarray of shape (n_queries,) or (n_queries, n_outputs)
            Class labels for each data sample.
        """
        X = check_array(X, accept_sparse='csr')

        neigh_dist, neigh_ind = self.kneighbors(X)
        classes_ = self.classes_
        _y = self._y
        if not self.outputs_2d_:
            _y = self._y.reshape((-1, 1))
            classes_ = [self.classes_]

        n_outputs = len(classes_)
        n_queries = _num_samples(X)
        weights = _get_weights(neigh_dist, self.weights)

        y_pred = np.empty((n_queries, n_outputs), dtype=classes_[0].dtype)
        for k, classes_k in enumerate(classes_):
            if weights is None:
                mode, _ = stats.mode(_y[neigh_ind, k], axis=1)
            else:
                mode, _ = weighted_mode(_y[neigh_ind, k], weights, axis=1)

            mode = np.asarray(mode.ravel(), dtype=np.intp)
            y_pred[:, k] = classes_k.take(mode)

        if not self.outputs_2d_:
            y_pred = y_pred.ravel()

        return y_pred

1. 我还想确定，当管道位于GridSearchCV中时，这种正确的行为是可行的。

这类假设假设上述两个假设是正确的，我认为这意味着您希望在一个完整的，最小的，可重复的例子中工作。在这上面提供了大量的文档，但是我使用knn创建的一个示例如下：

import pandas as pd, numpy as np

from imblearn.over_sampling import SMOTE
from imblearn.pipeline import Pipeline
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_digits
from sklearn.model_selection import GridSearchCV, train_test_split

param_grid = [
    {
        'classification__n_neighbors': [1,3,5,7,10],
    }
]

X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size=0.20)

pipe = Pipeline([
    ('sampling', SMOTE()),
    ('classification', KNeighborsClassifier())
])

grid = GridSearchCV(pipe, param_grid=param_grid)
grid.fit(X_train, y_train)
mean_scores = np.array(grid.cv_results_['mean_test_score'])
print(mean_scores)

# [0.98051926 0.98121129 0.97981998 0.98050474 0.97494193]

你的直觉是正确的，干得好:)