只是scikit-learn的pipeline的一个小问题。
在 sklearn.pipeline.FeatureUnion
类中,有一个 transformer_weights
选项。
transformer_weights: dict, optional
: Multiplicative weights for features per transformer. Keys are transformer names, values the weights.
我在一个例子中看到了对不同特征赋予不同权重的用法。
transformer_weights={
'subject': 0.8,
'body_bow': 0.5,
'body_stats': 1.0,
},
这对我来说是无稽之谈,因为分类器稍后会为您学习权重。为什么要费心使用它?
最佳答案
如果您使用带惩罚的线性分类器,这将改变应用于每个特征 block 的惩罚量。 向上扩展特征意味着它们相对于其他特征将受到更少的惩罚。
关于python - scikit-learn 管道中的 transformer_weights 有什么用?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29504252/