Pipelines Bouwen met scikit-learn
Bij het ontwikkelen van machine learning-oplossingen worden vaak dezelfde stappen herhaald: gegevensvoorbewerking, feature engineering, modeltraining en evaluatie. Het afzonderlijk schrijven van deze stappen kan leiden tot code-duplicatie en maakt het lastig om resultaten te reproduceren. scikit-learn biedt de Pipeline-klasse, waarmee u voorbewerkings- en modelleer-stappen kunt samenvoegen tot één gestroomlijnde workflow. Deze aanpak zorgt voor schonere, beter onderhoudbare en eenvoudiger te reproduceren code.
Een pipeline standaardiseert de ML-werkstroom en vermindert code-duplicatie.
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))
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 6.67Pipelines Bouwen met scikit-learn
Veeg om het menu te tonen
Bij het ontwikkelen van machine learning-oplossingen worden vaak dezelfde stappen herhaald: gegevensvoorbewerking, feature engineering, modeltraining en evaluatie. Het afzonderlijk schrijven van deze stappen kan leiden tot code-duplicatie en maakt het lastig om resultaten te reproduceren. scikit-learn biedt de Pipeline-klasse, waarmee u voorbewerkings- en modelleer-stappen kunt samenvoegen tot één gestroomlijnde workflow. Deze aanpak zorgt voor schonere, beter onderhoudbare en eenvoudiger te reproduceren code.
Een pipeline standaardiseert de ML-werkstroom en vermindert code-duplicatie.
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))
Bedankt voor je feedback!
