Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Що таке конвеєр | Конвеєри
Вступ до ML з Використанням Scikit-learn

bookЩо таке конвеєр

У попередньому розділі ми виконали три етапи попередньої обробки: імпутацію, кодування та масштабування.

Ми виконували це крок за кроком, трансформуючи необхідні стовпці та об'єднуючи їх назад у масив X. Це трудомісткий процес, особливо коли використовується OneHotEncoder, який змінює кількість стовпців.

Ще одна проблема полягає в тому, що для здійснення прогнозу нові екземпляри повинні проходити ті ж самі етапи попередньої обробки, тому потрібно виконувати всі ці трансформації знову.

На щастя, Scikit-learn надає клас Pipeline — простий спосіб об'єднати всі ці трансформації разом, що полегшує трансформацію як тренувальних даних, так і нових екземплярів.

Pipeline слугує контейнером для послідовності трансформерів і, зрештою, оцінювача. Коли викликається метод .fit_transform() для Pipeline, він послідовно застосовує метод .fit_transform() кожного трансформера до даних.

# Create a pipeline with three steps: imputation, one-hot encoding, and scaling
pipeline = Pipeline([
    ('imputer', SimpleImputer(strategy='most_frequent')),  # Step 1: Impute missing values
    ('encoder', OneHotEncoder()),                         # Step 2: Convert categorical data
    ('scaler', StandardScaler())                          # Step 3: Scale the data
])

# Fit and transform the data using the pipeline
X_transformed = pipeline.fit_transform(X)

Такий спрощений підхід означає, що потрібно викликати .fit_transform() лише один раз для тренувального набору, а надалі використовувати метод .transform() для обробки нових екземплярів.

question mark

Яка основна перевага використання Pipeline у scikit-learn для попередньої обробки даних та навчання моделі?

Select the correct answer

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 3. Розділ 1

Запитати АІ

expand

Запитати АІ

ChatGPT

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Awesome!

Completion rate improved to 3.13

bookЩо таке конвеєр

Свайпніть щоб показати меню

У попередньому розділі ми виконали три етапи попередньої обробки: імпутацію, кодування та масштабування.

Ми виконували це крок за кроком, трансформуючи необхідні стовпці та об'єднуючи їх назад у масив X. Це трудомісткий процес, особливо коли використовується OneHotEncoder, який змінює кількість стовпців.

Ще одна проблема полягає в тому, що для здійснення прогнозу нові екземпляри повинні проходити ті ж самі етапи попередньої обробки, тому потрібно виконувати всі ці трансформації знову.

На щастя, Scikit-learn надає клас Pipeline — простий спосіб об'єднати всі ці трансформації разом, що полегшує трансформацію як тренувальних даних, так і нових екземплярів.

Pipeline слугує контейнером для послідовності трансформерів і, зрештою, оцінювача. Коли викликається метод .fit_transform() для Pipeline, він послідовно застосовує метод .fit_transform() кожного трансформера до даних.

# Create a pipeline with three steps: imputation, one-hot encoding, and scaling
pipeline = Pipeline([
    ('imputer', SimpleImputer(strategy='most_frequent')),  # Step 1: Impute missing values
    ('encoder', OneHotEncoder()),                         # Step 2: Convert categorical data
    ('scaler', StandardScaler())                          # Step 3: Scale the data
])

# Fit and transform the data using the pipeline
X_transformed = pipeline.fit_transform(X)

Такий спрощений підхід означає, що потрібно викликати .fit_transform() лише один раз для тренувального набору, а надалі використовувати метод .transform() для обробки нових екземплярів.

question mark

Яка основна перевага використання Pipeline у scikit-learn для попередньої обробки даних та навчання моделі?

Select the correct answer

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 3. Розділ 1
some-alt