Eindschatter
Pipeline werd eerder gebruikt voor preprocessing, maar het echte doel is om preprocessing te koppelen aan een eindvoorspeller. De laatste stap in een pipeline kan elke estimator zijn (meestal een model) die voorspellingen genereert.
Bij het aanroepen van .fit() voert elke transformer .fit_transform() uit.
Bij het aanroepen van .predict() gebruikt de pipeline .transform() voordat de gegevens naar de eindschatter worden gestuurd.
Dit is vereist omdat nieuwe gegevens exact hetzelfde moeten worden getransformeerd als de trainingsgegevens.
Waarom .transform()?
Het gebruik van .fit_transform() op nieuwe gegevens kan coderingen wijzigen (bijvoorbeeld in OneHotEncoder), wat leidt tot niet-overeenkomende kolommen en onbetrouwbare voorspellingen.
.transform() garandeert consistente preprocessing, negeert onbekende categorieën en behoudt dezelfde kolomvolgorde.
Hier ziet u hoe één-hot gecodeerde trainingsgegevens eruitzien:
Hier zijn de nieuwe instanties om te voorspellen:
Als .fit_transform() zou worden toegepast op nieuwe instanties, kan de OneHotEncoder kolommen in een andere volgorde genereren of zelfs nieuwe toevoegen. Hierdoor zou de nieuwe data inconsistent met de trainingsset worden getransformeerd, waardoor voorspellingen onbetrouwbaar worden.
Het gebruik van .transform() zorgt er echter voor dat de nieuwe data exact hetzelfde wordt gecodeerd als de trainingsdata, waarbij categorieën die tijdens de training niet zijn gezien, worden genegeerd:
De Finale Estimator Toevoegen
Voeg het model eenvoudig toe als de laatste stap van de pipeline:
pipe = make_pipeline(
ct,
SimpleImputer(strategy='most_frequent'),
StandardScaler(),
KNeighborsClassifier()
)
pipe.fit(X, y)
pipe.predict(X_new)
Hierdoor kan de volledige workflow—preprocessing + voorspelling—met één aanroep worden uitgevoerd.
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Awesome!
Completion rate improved to 3.13Eindschatter
Veeg om het menu te tonen
Pipeline werd eerder gebruikt voor preprocessing, maar het echte doel is om preprocessing te koppelen aan een eindvoorspeller. De laatste stap in een pipeline kan elke estimator zijn (meestal een model) die voorspellingen genereert.
Bij het aanroepen van .fit() voert elke transformer .fit_transform() uit.
Bij het aanroepen van .predict() gebruikt de pipeline .transform() voordat de gegevens naar de eindschatter worden gestuurd.
Dit is vereist omdat nieuwe gegevens exact hetzelfde moeten worden getransformeerd als de trainingsgegevens.
Waarom .transform()?
Het gebruik van .fit_transform() op nieuwe gegevens kan coderingen wijzigen (bijvoorbeeld in OneHotEncoder), wat leidt tot niet-overeenkomende kolommen en onbetrouwbare voorspellingen.
.transform() garandeert consistente preprocessing, negeert onbekende categorieën en behoudt dezelfde kolomvolgorde.
Hier ziet u hoe één-hot gecodeerde trainingsgegevens eruitzien:
Hier zijn de nieuwe instanties om te voorspellen:
Als .fit_transform() zou worden toegepast op nieuwe instanties, kan de OneHotEncoder kolommen in een andere volgorde genereren of zelfs nieuwe toevoegen. Hierdoor zou de nieuwe data inconsistent met de trainingsset worden getransformeerd, waardoor voorspellingen onbetrouwbaar worden.
Het gebruik van .transform() zorgt er echter voor dat de nieuwe data exact hetzelfde wordt gecodeerd als de trainingsdata, waarbij categorieën die tijdens de training niet zijn gezien, worden genegeerd:
De Finale Estimator Toevoegen
Voeg het model eenvoudig toe als de laatste stap van de pipeline:
pipe = make_pipeline(
ct,
SimpleImputer(strategy='most_frequent'),
StandardScaler(),
KNeighborsClassifier()
)
pipe.fit(X, y)
pipe.predict(X_new)
Hierdoor kan de volledige workflow—preprocessing + voorspelling—met één aanroep worden uitgevoerd.
Bedankt voor je feedback!
