python中中sklearn的的pipeline模块实例详解模块实例详解
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:
总结总结
您可能感兴趣的文章您可能感兴趣的文章:python使用pipeline批量读写redis的方法Python：Scrapy框架中Item Pipeline组件使用详解介绍Python
的Django框架中的静态资源管理器django-pipelinepython使用sklearn实现决策树的方法示例Python使用sklearn库实现的各种
分类算法简单应用小结Python使用sklearn实现的各种回归算法示例Python sklearn KFold 生成交叉验证数据集的方法
评论0