python中sklearn的pipeline模块实例详解_sklearnpython - CSDN文库

102 浏览量更新于2023-03-16 评论收藏 70KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

python中中sklearn的的pipeline模块实例详解模块实例详解

主要介绍了python中sklearn的pipeline模块的相关知识，本文通过实例代码给大家介绍的非常详细，对大家的学

习或工作具有一定的参考借鉴价值,需要的朋友可以参考下

最近在看《深度学习：基于Keras的Python实践（魏贞原）》这本书，书中8.3创建了一个Scikit-Learn的Pipeline，首先标准化

数据集，然后创建和评估基线神经网络模型，代码如下：

# 数据正态化，改进算法

steps = []

steps.append(('standardize', StandardScaler()))

steps.append(('mlp', model))

pipeline = Pipeline(steps)

kfold = KFold(n_splits=10, shuffle=True, random_state=seed)

results = cross_val_score(pipeline, x, Y, cv=kfold)

print('Standardize: %.2f (%.2f) MSE' % (results.mean(), results.std()))

而PipeLine是什么来的呢？

Pipelines and composite estimators（官方文档）

转换器通常与分类器，回归器或其他估计器组合在一起，以构建复合估计器。最常用的工具是Pipeline。Pipeline通常与

FeatureUnion结合使用，FeatureUnion将转换器的输出连接到一个复合特征空间中。 TransformedTargetRegressor处理转换

目标（即对数变换y）。相反，Pipelines仅转换观察到的数据（X）。

Pipeline可用于将多个估计器链接为一个。这很有用，因为在处理数据时通常会有固定的步骤顺序，例如特征选择，归一化和

分类。Pipeline在这里有多种用途：

方便和封装：只需调用一次fit并在数据上进行一次predict即可拟合整个估计器序列。

联合参数选择：可以一次对Pipeline中所有估计器的参数进行网格搜索（grid search ）。

安全性：通过确保使用相同的样本来训练转换器和预测器，Pipeline有助于避免在交叉验证中将测试数据的统计信息泄

漏到经过训练的模型中。

Pipeline是使用（（key，，value））对的列表构建的，其中key是包含要提供此步骤名称的字符串，而value是一个估计器对象：

from sklearn.pipeline import Pipeline

from sklearn.svm import SVC

from sklearn.decomposition import PCA

estimators = [('reduce_dim', PCA()), ('clf', SVC())]

pipe = Pipeline(estimators)

pipe

output:

函数make_pipeline是构建pipelines的简写;它接受不同数量的估计器，并返回一个pipeline。它不需要也不允许命名估计器。

而是将其名称自动设置为其类型的小写字母：

from sklearn.pipeline import make_pipeline

from sklearn.naive_bayes import MultinomialNB

from sklearn.preprocessing import Binarizer

make_pipeline(Binarizer(), MultinomialNB())

output:

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

评论0

weixin_38609247

粉丝: 8
资源: 970

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈