Свайпніть щоб показати меню

Під час створення рішень машинного навчання часто повторюються одні й ті самі етапи: попередня обробка даних, створення ознак, навчання моделі та оцінювання. Окреме написання цих етапів може призвести до дублювання коду та ускладнити відтворення результатів. Бібліотека scikit-learn надає клас Pipeline, який дозволяє об'єднувати етапи попередньої обробки та моделювання в єдиний, впорядкований робочий процес. Такий підхід робить код чистішим, легшим для підтримки та простішим для відтворення.

Визначення

Пайплайн стандартизує робочий процес ML і зменшує дублювання коду.


              12345678910111213141516171819202122232425262728
            
import 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))

Яка основна перевага використання класу Pipeline у scikit-learn під час побудови робочих процесів машинного навчання?

Виберіть правильну відповідь

Він збільшує дублювання коду та ускладнює відтворення результатів.

Він замінює необхідність будь-якого розділення даних або оцінки в проєктах машинного навчання.

Дозволяє навчати лише одну модель без жодних етапів попередньої обробки.

Стандартизує робочий процес шляхом об'єднання етапів попередньої обробки та моделювання.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 10

Запитати АІ

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

Створення Конвеєрів із Scikit-learn

Визначення

Пайплайн стандартизує робочий процес ML і зменшує дублювання коду.


              12345678910111213141516171819202122232425262728
            
import 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))

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 10