pipeline,StandardScaler,LinearRegression 使用案例

下面是一个使用`Pipeline`、`StandardScaler`和`LinearRegression`的案例，展示了如何将数据预处理和线性回归模型组合起来：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression

# 创建一个Pipeline对象，定义预处理和模型的顺序
pipeline = Pipeline([
    ('scaler', StandardScaler()),  # 预处理器
    ('regression', LinearRegression())  # 线性回归模型
])

# 准备训练数据
X_train = [[10, 20, 30],
           [15, 25, 35],
           [20, 30, 40]]
y_train = [50, 60, 70]

# 使用Pipeline进行训练
pipeline.fit(X_train, y_train)

# 准备测试数据
X_test = [[25, 35, 45],
          [30, 40, 50]]

# 使用Pipeline进行预测
y_pred = pipeline.predict(X_test)

print(y_pred)

在上述代码中，`Pipeline`对象被创建，并按照定义的顺序包含了两个步骤：`scaler`和`regression`。`scaler`使用`StandardScaler`对特征进行标准化处理，而`regression`使用`LinearRegression`进行线性回归建模。

接下来，使用训练数据 `X_train` 和 `y_train` 对Pipeline进行训练，其中包括了特征标准化和线性回归模型的拟合。

最后，使用测试数据 `X_test` 对Pipeline进行预测，并打印出预测结果`y_pred`。

这个案例展示了如何使用Pipeline将预处理和模型组合在一起，方便地进行数据处理和建模。