ナイーブベイスをグリッドサーチしたい

2024年6月8日

ナイーブベイズをグリッドサーチするためには、GridSearchCVを使用して探索するハイパーパラメータの候補を指定し、それをモデルと組み合わせます。以下は、ナイーブベイズをグリッドサーチする例です。

python
from sklearn.model_selection import GridSearchCV
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.pipeline import Pipeline
import pandas as pd

# データの読み込み
data = pd.read_csv('/home/share/temp/shipping_size_traning_add_category.csv')

# 商品名を特徴量として取得
X_product_name = data['product_name']
y = data['size']

# テキストデータを単語の出現回数に変換するCountVectorizerを定義
vectorizer = CountVectorizer()

# 商品名のテキストデータを特徴量に変換
X_product_name_vectorized = vectorizer.fit_transform(X_product_name)

# パイプラインの定義
pipeline = Pipeline([
    ('vectorizer', CountVectorizer()),
    ('classifier', MultinomialNB())
])

# 探索するハイパーパラメータの候補を指定
param_grid = {
    'vectorizer__ngram_range': [(1, 1), (1, 2)],  # バイグラムを試す場合など
    'classifier__alpha': [0.1, 1.0, 10.0],  # スムージングのパラメータ
}

# グリッドサーチを用いて探索
grid_search = GridSearchCV(pipeline, param_grid, cv=10)
grid_search.fit(X_product_name, y)

# 最適なモデルとそのハイパーパラメータを取得
best_model = grid_search.best_estimator_
best_params = grid_search.best_params_

print("Best Model:", best_model)
print("Best Parameters:", best_params)

この例では、MultinomialNBモデルとCountVectorizerをパイプラインで組み合わせています。そして、GridSearchCVを使用して探索するハイパーパラメータの候補を指定し、最適なモデルとそのハイパーパラメータを取得しています。