《LINUX學習：sklearn Pipeline使用》要點：
本文介紹了LINUX學習：sklearn Pipeline使用，希望對您有用。如果有疑問，可以聯系我們。

簡介

Pipeline按順序構建一系列轉換和一個模型,最后的一步是模型.Pipeline中間的步驟必須是轉換過程,它們必須包含fit和transform辦法.最后一步模型只要有fit辦法.

Pipeline的目的是能組合好幾個步驟,當設置分歧參數的時候,可以在一起做交叉驗證.可以通過【pipeline的名稱+ “__” + 參數名稱】(注意是兩個下劃線)的方式設置多個步驟的參數.

參數

名稱	類型	說明
steps	list	包含(name,transform)元組的list類型,依照元組的順序形成一個鏈,最后一步是模型.
named_steps	dict	只讀的屬性,用戶通過設置的名稱可以讀取相應步驟的參數,keys是步驟名稱,values是步驟參數

上手使用

from sklearn import svm
from sklearn.datasets import samples_generator
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import f_regression
from sklearn.pipeline import Pipeline

?

發生一些測試數據

X, y = samples_generator.make_classification(n_informative=5, n_redundant=0, random_state=42)

?

選擇特性

# ANOVA SVM-C
anova_filter = SelectKBest(f_regression, k=5)

?

SVM模子

clf = svm.SVC(kernel='linear')

?

構建pipeline

anova_svm = Pipeline([('anova', anova_filter), ('svc', clf)])

?

模子有兩步,一步是最特征選擇,一步是模子

設置參數

anova_svm.set_params(anova__k=10, svc__C=.1)

?

Pipeline(steps=[('anova', SelectKBest(k=10, score_func=<function f_regression at 0x4a0f0c8>)), ('svc', SVC(C=0.1, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma='auto', kernel='linear',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False))])

訓練模子

anova_svm.fit(X,y)

?

Pipeline(steps=[('anova', SelectKBest(k=10, score_func=<function f_regression at 0x4a0f0c8>)), ('svc', SVC(C=0.1, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma='auto', kernel='linear',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False))])

預測成果

prediction = anova_svm.predict(X)
anova_svm.score(X,y)

0.77000000000000002

查看pipeline里的參數

anova_svm.named_steps['anova']

?

SelectKBest(k=10, score_func=<function f_regression at 0x4a0f0c8>)

anova_svm.named_steps['svc']

?

SVC(C=0.1, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma='auto', kernel='linear',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

anova_svm.named_steps['anova'].get_support()

array([ True,  True,  True, False, False,  True, False,  True,  True,
        True, False, False,  True, False,  True, False, False, False,
       False,  True], dtype=bool)

本文永遠更新鏈接地址：

學習更多LINUX教程，請查看站內專欄，如果有LINUX疑問，可以加QQ交流《LINUX學習：sklearn Pipeline使用》。

轉載請注明本頁網址：
http://www.snjht.com/jiaocheng/11337.html