如何详细解析Python sklearn库中pipeline模块的实例应用？
- 内容介绍
- 文章标签
- 相关推荐
本文共计534个文字，预计阅读时间需要3分钟。
最近阅读了《深度学习：基于Keras的Python实践（魏巍原）》这本书，书中8.3节创建了一个Scikit-Learn的Pipeline，首先标准化数据集，然后创建并评估了一个基础线性神经网络模型。代码如下：
最近在看《深度学习：基于Keras的Python实践（魏贞原）》这本书，书中8.3创建了一个Scikit-Learn的Pipeline，首先标准化数据集，然后创建和评估基线神经网络模型，代码如下：
# 数据正态化，改进算法 steps = [] steps.append(('standardize', StandardScaler())) steps.append(('mlp', model)) pipeline = Pipeline(steps) kfold = KFold(n_splits=10, shuffle=True, random_state=seed) results = cross_val_score(pipeline, x, Y, cv=kfold) print('Standardize: %.2f (%.2f) MSE' % (results.mean(), results.std()))
而PipeLine是什么来的呢？
Pipelines and composite estimators（官方文档）
转换器通常与分类器，回归器或其他估计器组合在一起，以构建复合估计器。最常用的工具是Pipeline。Pipeline通常与FeatureUnion结合使用，FeatureUnion将转换器的输出连接到一个复合特征空间中。 TransformedTargetRegressor处理转换目标（即对数变换y）。相反，Pipelines仅转换观察到的数据（X）。
本文共计534个文字，预计阅读时间需要3分钟。
最近阅读了《深度学习：基于Keras的Python实践（魏巍原）》这本书，书中8.3节创建了一个Scikit-Learn的Pipeline，首先标准化数据集，然后创建并评估了一个基础线性神经网络模型。代码如下：
最近在看《深度学习：基于Keras的Python实践（魏贞原）》这本书，书中8.3创建了一个Scikit-Learn的Pipeline，首先标准化数据集，然后创建和评估基线神经网络模型，代码如下：
# 数据正态化，改进算法 steps = [] steps.append(('standardize', StandardScaler())) steps.append(('mlp', model)) pipeline = Pipeline(steps) kfold = KFold(n_splits=10, shuffle=True, random_state=seed) results = cross_val_score(pipeline, x, Y, cv=kfold) print('Standardize: %.2f (%.2f) MSE' % (results.mean(), results.std()))
而PipeLine是什么来的呢？
Pipelines and composite estimators（官方文档）
转换器通常与分类器，回归器或其他估计器组合在一起，以构建复合估计器。最常用的工具是Pipeline。Pipeline通常与FeatureUnion结合使用，FeatureUnion将转换器的输出连接到一个复合特征空间中。 TransformedTargetRegressor处理转换目标（即对数变换y）。相反，Pipelines仅转换观察到的数据（X）。