Bygga Pipelines med scikit-learn
Vid utveckling av maskininlärningslösningar upprepas ofta samma steg: datapreprocessering, feature engineering, modellträning och utvärdering. Att skriva dessa steg separat kan leda till kodupprepning och försvåra reproducerbarheten av resultaten. scikit-learn tillhandahåller klassen Pipeline, som gör det möjligt att kedja samman preprocesserings- och modelleringssteg i ett enda, strömlinjeformat arbetsflöde. Detta tillvägagångssätt gör koden renare, mer underhållbar och enklare att reproducera.
En pipeline standardiserar ML-arbetsflödet och minskar kodupprepning.
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))
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Fantastiskt!
Completion betyg förbättrat till 6.67Bygga Pipelines med scikit-learn
Svep för att visa menyn
Vid utveckling av maskininlärningslösningar upprepas ofta samma steg: datapreprocessering, feature engineering, modellträning och utvärdering. Att skriva dessa steg separat kan leda till kodupprepning och försvåra reproducerbarheten av resultaten. scikit-learn tillhandahåller klassen Pipeline, som gör det möjligt att kedja samman preprocesserings- och modelleringssteg i ett enda, strömlinjeformat arbetsflöde. Detta tillvägagångssätt gör koden renare, mer underhållbar och enklare att reproducera.
En pipeline standardiserar ML-arbetsflödet och minskar kodupprepning.
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))
Tack för dina kommentarer!
