Примечание
Перейти к концу для загрузки полного примера кода. или для запуска этого примера в вашем браузере через JupyterLite или Binder
Отображение оценщиков и сложных конвейеров
Этот пример демонстрирует различные способы отображения оценщиков и конвейеров.
# Authors: The scikit-learn developers # SPDX-License-Identifier: BSD-3-Clause from sklearn.compose import make_column_transformer from sklearn.impute import SimpleImputer from sklearn.linear_model import LogisticRegression from sklearn.pipeline import make_pipeline from sklearn.preprocessing import OneHotEncoder, StandardScaler
Компактное текстовое представление
Оценщики будут отображать только параметры, которые были установлены отличными от значений по умолчанию, при отображении в виде строки. Это уменьшает визуальный шум и упрощает обнаружение различий при сравнении экземпляров.
lr = LogisticRegression(penalty="l1") print(lr)
LogisticRegression(penalty='l1')
Подробное HTML-представление
В блокнотах оценщики и конвейеры будут использовать подробное HTML-представление. Это особенно полезно для подведения итогов структуры конвейеров и других составных оценщиков, с интерактивностью для предоставления деталей. Щёлкните на приведённом ниже изображении, чтобы развернуть элементы конвейера. См. Визуализация составных оценщиков для того, как вы можете использовать эту функцию.
num_proc = make_pipeline(SimpleImputer(strategy="median"), StandardScaler())
cat_proc = make_pipeline(
SimpleImputer(strategy="constant", fill_value="missing"),
OneHotEncoder(handle_unknown="ignore"),
)
preprocessor = make_column_transformer(
(num_proc, ("feat1", "feat3")), (cat_proc, ("feat0", "feat2"))
)
clf = make_pipeline(preprocessor, LogisticRegression())
clf
Pipeline(steps=[('columntransformer',
ColumnTransformer(transformers=[('pipeline-1',
Pipeline(steps=[('simpleimputer',
SimpleImputer(strategy='median')),
('standardscaler',
StandardScaler())]),
('feat1', 'feat3')),
('pipeline-2',
Pipeline(steps=[('simpleimputer',
SimpleImputer(fill_value='missing',
strategy='constant')),
('onehotencoder',
OneHotEncoder(handle_unknown='ignore'))]),
('feat0', 'feat2'))])),
('logisticregression', LogisticRegression())])
В среде Jupyter, пожалуйста, перезапустите этот ячейку, чтобы показать HTML-представление, или доверьтесь блокноту. В GitHub, HTML-представление не может быть отображено, попробуйте загрузить эту страницу с nbviewer.org.
Pipeline(steps=[('columntransformer',
ColumnTransformer(transformers=[('pipeline-1',
Pipeline(steps=[('simpleimputer',
SimpleImputer(strategy='median')),
('standardscaler',
StandardScaler())]),
('feat1', 'feat3')),
('pipeline-2',
Pipeline(steps=[('simpleimputer',
SimpleImputer(fill_value='missing',
strategy='constant')),
('onehotencoder',
OneHotEncoder(handle_unknown='ignore'))]),
('feat0', 'feat2'))])),
('logisticregression', LogisticRegression())])ColumnTransformer(transformers=[('pipeline-1',
Pipeline(steps=[('simpleimputer',
SimpleImputer(strategy='median')),
('standardscaler',
StandardScaler())]),
('feat1', 'feat3')),
('pipeline-2',
Pipeline(steps=[('simpleimputer',
SimpleImputer(fill_value='missing',
strategy='constant')),
('onehotencoder',
OneHotEncoder(handle_unknown='ignore'))]),
('feat0', 'feat2'))])('feat1', 'feat3')SimpleImputer(strategy='median')
StandardScaler()
('feat0', 'feat2')SimpleImputer(fill_value='missing', strategy='constant')
OneHotEncoder(handle_unknown='ignore')
LogisticRegression()
Общее время выполнения скрипта: (0 минут 0,033 секунды)
Связанные примеры
© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/auto_examples/miscellaneous/plot_estimator_representation.html
|
|
