【Python实例第5讲】Pipeline与GridSearchCV降维法

最新推荐文章于 2024-06-25 15:56:02 发布

原创

最新推荐文章于 2024-06-25 15:56:02 发布 · 2.1k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#python

本篇博客介绍了如何利用Python的Pipeline构建包含降维的机器学习流程，并结合GridSearchCV进行参数调优。通过示例展示了在Pipeline中存储转换器以避免重复拟合，并在手写数字数据集上应用PCA、LDA等降维技术，对比不同特征数下的分类效果。

机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

本例构造一个降维管道(pipeline), 通过它做一个支持向量分类器预测。在这里，我们演示使用函数GridSearchCV和Pipeline优化不同类型的估计量。请注意，Pipeline能通过参数memory实例化，将转换器存储在管道里，避免重复拟合相同的转换器。

Pipeline and GridSearchCV

本节说明具有GridSearchCV的管道使用方法。首先，导入必需的模块。

# Authors: Robert McGibbon, Joel Nothman, Guillaume Lemaitre

from __future__ import print_function, division

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.svm import LinearSVC
from sklearn.decomposition import PCA, NMF
from sklearn.feature_selection import SelectKBest, chi2

print(__doc__)

建立一个管道，包括主成分pca和线性支持向量分类器LinearSVC.