Pipeline ble tidligere brukt til forbehandling, men dens egentlige formål er å kjede forbehandling sammen med en sluttprediktor. Det siste steget i en pipeline kan være hvilken som helst estimator (vanligvis en modell) som produserer prediksjoner.

Hvorfor .transform()?

Å bruke .fit_transform() på nye data kan endre kodinger (for eksempel i OneHotEncoder), noe som kan føre til feil kolonner og upålitelige prediksjoner. .transform() garanterer konsistent forbehandling, ignorerer ukjente kategorier og beholder samme kolonnerekkefølge.

Slik ser én-hot kodede treningsdata ut:

Her er de nye instansene som skal predikeres:

Hvis .fit_transform() ble brukt på nye instanser, kunne OneHotEncoder generere kolonner i en annen rekkefølge eller til og med introdusere nye. Dette ville ført til at de nye dataene ble transformert inkonsistent med treningssettet, noe som gjør prediksjonene upålitelige.

Ved å bruke .transform() sikres det at de nye dataene kodes nøyaktig som treningsdataene, og kategorier som ikke ble sett under trening ignoreres:

Legge til den endelige estimatoren

Legg ganske enkelt til modellen som det siste steget i pipelinen:

pipe = make_pipeline(
    ct,
    SimpleImputer(strategy='most_frequent'),
    StandardScaler(),
    KNeighborsClassifier()
)
pipe.fit(X, y)
pipe.predict(X_new)

Dette gjør at hele arbeidsflyten—preprosessering + prediksjon—kan kjøres med ett kall.