Opbygning 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!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
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!
