sklearn-pipeline管道（一）

最新推荐文章于 2024-10-12 17:09:55 发布

原创最新推荐文章于 2024-10-12 17:09:55 发布 · 359 阅读

0 ·

CC 4.0 BY-SA版权

python 同时被 3 个专栏收录

142 篇文章

订阅专栏

代码脚本

51 篇文章

订阅专栏

机器学习算法

25 篇文章

订阅专栏

本文介绍了一种使用主成分分析(PCA)进行特征降维，并结合逻辑回归进行分类预测的方法。通过GridSearchCV对参数进行优化，实现了对digits数据集的有效分类。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#coding:utf-8
import numpy as np
from sklearn import linear_model, decomposition, datasets
from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV


digits = datasets.load_digits()
X_digits = digits.data
y_digits = digits.target


# 定义管道，先降维(pca)，再逻辑回归
pca = decomposition.PCA()
logistic = linear_model.LogisticRegression()
pipe = Pipeline(steps=[('pca', pca), ('logistic', logistic)])

# 把管道再作为grid_search的estimator
n_components = [20, 40, 64]
Cs = np.logspace(-4, 4, 3)
estimator = GridSearchCV(pipe, dict(pca__n_components=n_components, logistic__C=Cs))

estimator.fit(X_digits, y_digits)
print (estimator.best_params_)
predict = estimator.predict(X_digits)
print(predict)