Bygga 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!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
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!
