python pipeline的用法

本篇內(nèi)容介紹了“python pipeline的用法”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠?qū)W有所成！

說明

1、在使用之前需要在settings中打開。

2、pipeline在settings中鍵表示位置(即pipeline在項目中的位置可以自定義)，值表示離引擎的距離，越近數(shù)據(jù)越先通過：權重值小的優(yōu)先執(zhí)行。

3、當pipeline較多時，process_item的方法必須是returnitem，否則后一個pipeline獲得的數(shù)據(jù)就是None值。

pipeline中必須有process_item方法，否則item無法接收和處理。

實例

from sklearn.pipeline import Pipeline
from sklearn.svm import SVC
from sklearn.decomposition import PCA
estimators = [('reduce_dim', PCA()), ('clf', SVC())]
pipe = Pipeline(estimators)
pipe

內(nèi)容擴展：

Python的sklearn.pipeline.Pipeline()函數(shù)可以把多個“處理數(shù)據(jù)的節(jié)點”按順序打包在一起，數(shù)據(jù)在前一個節(jié)點處理之后的結果，轉到下一個節(jié)點處理。除了最后一個節(jié)點外，其他節(jié)點都必須實現(xiàn)'fit()'和'transform()'方法， 最后一個節(jié)點需要實現(xiàn)fit()方法即可。當訓練樣本數(shù)據(jù)送進Pipeline進行處理時， 它會逐個調(diào)用節(jié)點的fit()和transform()方法，然后點用最后一個節(jié)點的fit()方法來擬合數(shù)據(jù)。

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import Pipeline
 
def polynomial_model(degree = 1):
    polynomial_features = PolynomialFeatures(degree = degree, include_bias = False)
    linear_regression = LinearRegression()
    pipeline = Pipeline([('polynomial_features', polynomial_features),
 ('linear_regression', linear_regression)])
    return pipeline

“python pipeline的用法”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關的知識可以關注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！