4.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器

4.1.1. Pipeline: 链式评估器

Pipeline可以把多个评估器链接成一个。这个是很有用的，因为处理数据的步骤一般都是固定的，例如特征选择、标准化和分类。: Pipeline主要有两个目的:
便捷性和封装性: 你只要对数据调用 ``fit``和 ``predict``一次来适配所有的一系列评估器。
联合的参数选择: 你可以一次 :ref: `grid search <grid_search>`管道中所有评估器的参数。
安全性: 训练转换器和预测器使用的是相同样本，管道有助于防止来自测试数据的统计数据泄露到交叉验证的训练模型中。

@H_404_70@管道中的所有评估器，除了最后一个评估器，管道的所有评估器必须是转换器。 (例如，必须有transform方法). 最后一个评估器的类型不限（转换器、分类器等等）

4.1.1.1. 用法

@H_404_70@Pipeline使用一系列(key,value)键值对来构建,其中key是你给这个步骤起的名字，value是一个评估器对象:

@H_502_96@

>>>

>>> from sklearn.pipeline import Pipeline
sklearn.svm import SVC
sklearn.decomposition import PCA
>>> estimators = [('reduce_dim', PCA()), ('clf', SVC())]
>>> pipe = Pipeline(estimators)
>>> pipe 
Pipeline(memory=None,
         steps=[('reduce_dim',PCA(copy=True,...)),51)">                ('clf',SVC(C=1.0,...))])

@H_404_70@功能函数 make_pipeline是构建管道的缩写; 它接收多个评估器并返回一个管道，自动填充评估器名:

@H_502_96@

>>>

import make_pipeline
sklearn.naive_bayes import MultinomialNB
sklearn.preprocessing import Binarizer
>>> make_pipeline(Binarizer(), MultinomialNB()) 
         steps=[('binarizer',Binarizer(copy=True,threshold=0.0)),51)">                ('multinomialnb',MultinomialNB(alpha=1.0,51)">                                                class_prior=None,51)">                                                fit_prior=True))])

@H_404_70@管道中的评估器作为一个列表保存在steps属性内:

@H_502_96@

 
    >>> pipe.steps[0]
('reduce_dim',iterated_power='auto',n_components=None,random_state=None,51)">  svd_solver='auto',tol=0.0,whiten=False))

【Scikit-Learn 中文文档】Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器 - 数据集转换 - 用户指南 | ApacheCN

4.1. Pipeline（管道）和 FeatureUnion（特征联合）: 合并的评估器

4.1.1. Pipeline: 链式评估器

4.1.1.1. 用法

4.1.1.2. 注意点

4.1.1.3. 缓存转换器：避免重复计算

4.1.2. FeatureUnion（特征联合）: 个特征层面

4.1.2.1. 用法

猜你在找的设计模式相关文章