? ? ? ? ? ? ? ? ? ? ? ? ? ?Python 管道與特征聯合

1 聲明

本文的數據來自網絡，部分代碼也有所參照，這里做了注釋和延伸，旨在技術交流，如有冒犯之處請聯系博主及時處理。

2管道與特征聯合簡介

Pipeline可以用于把多個估算器鏈接組成成一個新的估算器，這樣可以組成一個龐大的流水線。Pipeline的特點是：

• ? ? 一次調用fit和predict就可以適配評估器序列。
• ? ?可對Pipeline中所有估計器的參數統一進行網格搜索。

FeatureUnion合并了多個轉換器對象形成一個新的轉換器，該轉換器合并了他們的輸出。一個 FeatureUnion 可以接收多個轉換器對象。

3管道與特征聯合代碼示例

# 加載相關包 import numpy as np from sklearn import datasets from sklearn.linear_model import LogisticRegression from sklearn.model_selection import GridSearchCV from sklearn.pipeline import Pipeline, FeatureUnion from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler np.random.seed(23) iris = datasets.load_iris() features = iris.data target = iris.target # 創建一個包含特征標準化和PCA的預處理對象 preprocess = FeatureUnion([("std", StandardScaler()), ("pca", PCA())]) # Create a pipeline pipe = Pipeline([("preprocess", preprocess), ("classifier", LogisticRegression())]) # 創建參數候選值 search_space = [{"preprocess__pca__n_components": [1, 2, 3], "classifier__penalty": ["l1", "l2"], "classifier__C": np.logspace(0, 4, 10)}] #創建網格搜索并擬合 clf = GridSearchCV(pipe, search_space, cv=5, verbose=0, n_jobs=-1) best_model = clf.fit(features, target) #查看最優參數 print(best_model.best_estimator_.get_params()['preprocess__pca__n_components'])

?

4 總結

無

?

?

總結

以上是生活随笔為你收集整理的Python 管道与特征联合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。