Opbygning af Pipelines med Scikit-learn
Når du udvikler maskinlæringsløsninger, gentager du ofte de samme trin: datapreprocessering, feature engineering, modeltræning og evaluering. At skrive disse trin separat kan føre til kodegentagelse og gøre det vanskeligt at reproducere resultater. scikit-learn tilbyder klassen Pipeline, som gør det muligt at kæde preprocesserings- og modelleringsskridt sammen i et enkelt, strømlinet workflow. Denne tilgang gør din kode mere overskuelig, lettere at vedligeholde og nemmere at reproducere.
En pipeline standardiserer ML-arbejdsgangen og reducerer kodegentagelse.
12345678910111213141516171819202122232425262728import pandas as pd from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.pipeline import Pipeline # Load sample data iris = load_iris() X = pd.DataFrame(iris.data, columns=iris.feature_names) y = iris.target # Split data X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42) # Create a pipeline with preprocessing and modeling steps pipeline = Pipeline([ ("scaler", StandardScaler()), # Step 1: Standardize features ("classifier", LogisticRegression()) # Step 2: Train classifier ]) # Fit the pipeline on training data pipeline.fit(X_train, y_train) # Predict on test data predictions = pipeline.predict(X_test) print("Pipeline accuracy:", pipeline.score(X_test, y_test))
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Fantastisk!
Completion rate forbedret til 6.67Opbygning af Pipelines med Scikit-learn
Stryg for at vise menuen
Når du udvikler maskinlæringsløsninger, gentager du ofte de samme trin: datapreprocessering, feature engineering, modeltræning og evaluering. At skrive disse trin separat kan føre til kodegentagelse og gøre det vanskeligt at reproducere resultater. scikit-learn tilbyder klassen Pipeline, som gør det muligt at kæde preprocesserings- og modelleringsskridt sammen i et enkelt, strømlinet workflow. Denne tilgang gør din kode mere overskuelig, lettere at vedligeholde og nemmere at reproducere.
En pipeline standardiserer ML-arbejdsgangen og reducerer kodegentagelse.
12345678910111213141516171819202122232425262728import pandas as pd from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.pipeline import Pipeline # Load sample data iris = load_iris() X = pd.DataFrame(iris.data, columns=iris.feature_names) y = iris.target # Split data X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42) # Create a pipeline with preprocessing and modeling steps pipeline = Pipeline([ ("scaler", StandardScaler()), # Step 1: Standardize features ("classifier", LogisticRegression()) # Step 2: Train classifier ]) # Fit the pipeline on training data pipeline.fit(X_train, y_train) # Predict on test data predictions = pipeline.predict(X_test) print("Pipeline accuracy:", pipeline.score(X_test, y_test))
Tak for dine kommentarer!
