《Python机器学习基础教程》构建管道(make_pipeline)

《Python机器学习基础教程》笔记

        大多数机器学习应用不仅需要应用单个算法，而且还需要将许多不同的处理步骤和机器学习模型链接在一起，例如对数据进行缩放，然后手动合并特征，再利用无监督学习来学习特征。为了简化构建变换和模型链的过程，Scikit-Learn提供了pipeline类，可以将多个处理步骤合并为单个Scikit-Learn估计器。pipeline类本身具有fit、predict和score方法，其行为与Scikit-Learn中的其他模型相同。接下来举几个简单的例子进行说明：

---

一、使用Pipeline类来表示在使用MinMaxScaler缩放数据之后再训练一个SVM的工作流程

from sklearn.pipeline import Pipeline
pipe = Pipeline([("scaler",MinMaxScaler()),("svm",SVC())])
pip.fit(X_train,y_train)
pip.score(X_test,y_test)

        这里 ，我们构建了一个由步骤列表组成的管道对象，每个步骤都是一个元组，包含一个名称（自定义）和一个估计器的实例。首先对第一个步骤（缩放器）调用fit，然后使用该缩放器对训练数据进行变换，最后利用缩放后的数据来拟合SVM。利用管道，我们减少了“预处理+分类”过程所需要的代码量，而且，使用管道的主要优点在于，我们