Creazione di Pipeline con Scikit-learn
Quando si sviluppano soluzioni di machine learning, spesso si ripetono gli stessi passaggi: preprocessamento dei dati, ingegneria delle caratteristiche, addestramento del modello e valutazione. Scrivere questi passaggi separatamente può portare a duplicazione del codice e rendere difficile la riproducibilità dei risultati. scikit-learn fornisce la classe Pipeline, che consente di concatenare i passaggi di preprocessamento e modellazione in un unico flusso di lavoro semplificato. Questo approccio rende il codice più pulito, più manutenibile e più facile da riprodurre.
Una pipeline standardizza il flusso di lavoro di ML e riduce la duplicazione del codice.
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))
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Fantastico!
Completion tasso migliorato a 6.67Creazione di Pipeline con Scikit-learn
Scorri per mostrare il menu
Quando si sviluppano soluzioni di machine learning, spesso si ripetono gli stessi passaggi: preprocessamento dei dati, ingegneria delle caratteristiche, addestramento del modello e valutazione. Scrivere questi passaggi separatamente può portare a duplicazione del codice e rendere difficile la riproducibilità dei risultati. scikit-learn fornisce la classe Pipeline, che consente di concatenare i passaggi di preprocessamento e modellazione in un unico flusso di lavoro semplificato. Questo approccio rende il codice più pulito, più manutenibile e più facile da riprodurre.
Una pipeline standardizza il flusso di lavoro di ML e riduce la duplicazione del codice.
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))
Grazie per i tuoi commenti!
