Création de Pipelines avec scikit-learn
Lors de la création de solutions d'apprentissage automatique, les mêmes étapes sont souvent répétées : prétraitement des données, ingénierie des caractéristiques, entraînement du modèle et évaluation. Écrire ces étapes séparément peut entraîner une duplication du code et rendre la reproduction des résultats difficile. scikit-learn propose la classe Pipeline, qui permet de chaîner les étapes de prétraitement et de modélisation dans un flux de travail unique et rationalisé. Cette approche rend le code plus clair, plus facile à maintenir et à reproduire.
Une pipeline standardise le flux de travail en apprentissage automatique et réduit la duplication du code.
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))
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Génial!
Completion taux amélioré à 6.67Création de Pipelines avec scikit-learn
Glissez pour afficher le menu
Lors de la création de solutions d'apprentissage automatique, les mêmes étapes sont souvent répétées : prétraitement des données, ingénierie des caractéristiques, entraînement du modèle et évaluation. Écrire ces étapes séparément peut entraîner une duplication du code et rendre la reproduction des résultats difficile. scikit-learn propose la classe Pipeline, qui permet de chaîner les étapes de prétraitement et de modélisation dans un flux de travail unique et rationalisé. Cette approche rend le code plus clair, plus facile à maintenir et à reproduire.
Une pipeline standardise le flux de travail en apprentissage automatique et réduit la duplication du code.
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))
Merci pour vos commentaires !
