Я новичок в пакете hyperopt. Теперь я хочу оптимизировать модель LDA, которая реализована в gensim. Модель LDA оптимизирована, чтобы максимизировать силуэт по сравнению с данными тренировки.Как передать объекты в функцию, которая оптимизирована с помощью hyperopt?
Теперь мой вопрос: «Как передать данные обучения (numpy.ndarray) объектной функции, вызываемой из hyperopt?» Я посмотрел учебники и некоторые example codes. Они устанавливают данные обучения как глобальную переменную. Но в моей ситуации трудно установить данные обучения как глобальную переменную, как они.
Я написал следующий код для оптимизации LDA с помощью hyoeropt. Я укладываюсь в путь, чтобы передать данные обучения функции gensim_objective_function
, потому что я собираюсь положить gensim_lda_optimaze
в систему, которая вызывает функцию gensim_lda_optimaze
.
Как это реализовать?
# I want to pass training data to this function!
# gensim_lda_tuning_training_corpus, gensim_lda_tuning_num_topic, gensim_lda_tuning_word2id is what I wanna pass
def gensim_objective_function(arg_dict):
from .gensim_lda import evaluate_clustering
from .gensim_lda import call_lda_single
from .gensim_lda import get_topics_ids
alpha = arg_dict['alpha']
eta = arg_dict['eta']
iteration= arg_dict['iteration']
gamma_threshold= arg_dict['gamma_threshold']
minimum_probability= arg_dict['minimum_probability']
passes= arg_dict['passes']
# train LDA model
lda_model, gensim_corpus = call_lda_single(matrix=gensim_lda_tuning_training_corpus,
num_topics=gensim_lda_tuning_num_topic,
word2id_dict=gensim_lda_tuning_word2id,
alpha=alpha, eta=eta,
iteration=iteration,
gamma_threshold=gamma_threshold,
minimum_probability=minimum_probability,
passes=passes)
topic_ids = get_topics_ids(trained_lda_model=lda_model, gensim_corpus=gensim_corpus)
labels = [t[0] for t in topic_ids]
# get silhouette score with extracted label
evaluation_score = evaluate_clustering(feature_matrix=gensim_lda_tuning_training_corpus, labels=numpy.array(labels))
return -1 * evaluation_score
def gensim_lda_optimaze(feature_matrix, num_topics, word2id_dict):
assert isinstance(feature_matrix, (ndarray, csr_matrix))
assert isinstance(num_topics, int)
assert isinstance(word2id_dict, dict)
parameter_space = {
'alpha': hp.loguniform("alpha", numpy.log(0.1), numpy.log(1)),
'eta': hp.loguniform("eta", numpy.log(0.1), numpy.log(1)),
'iteration': 100,
'gamma_threshold': 0.001,
'minimum_probability': 0.01,
'passes': 10
}
trials = Trials()
best = fmin(
gensim_objective_function,
parameter_space,
algo=tpe.suggest,
max_evals=100,
trials=trials
)
return best
этот способ работы для меня! Для меня первый раз использовать «partial». Это действительно хорошие новые знания для меня. Я действительно благодарю вас. –