make_pipeline

sklearn.pipeline.make_pipeline(*steps, memory=None, transform_input=None, verbose=False)[исходный код]

Создаёт Pipeline из заданных оценивателей.

Это сокращённая форма вызова конструктора Pipeline; она не требует и не позволяет задавать имена оценивателей. Вместо этого имена автоматически формируются из названий их типов в нижнем регистре.

Параметры:

*stepsсписок объектов-оценивателей

Список оценивателей scikit-learn, объединённых в цепочку.

memoryстрока или объект с интерфейсом joblib.Memory, по умолчанию=None

Используется для кэширования обученных преобразователей конвейера. Последний шаг никогда не кэшируется, даже если он является преобразователем. По умолчанию кэширование не выполняется. Если задана строка, она обозначает путь к каталогу кэша. Включение кэширования приводит к клонированию преобразователей перед обучением. Поэтому экземпляр преобразователя, переданный конвейеру, нельзя проверить напрямую. Чтобы проверить оцениватели в конвейере, используйте атрибут named_steps или steps. Кэширование преобразователей полезно, если обучение занимает много времени.

transform_inputсписок строк, по умолчанию=None

Этот параметр позволяет преобразовывать некоторые входные аргументы fit (кроме X) с помощью шагов конвейера вплоть до шага, которому они требуются. Необходимость определяется с помощью маршрутизации метаданных. Например, это можно использовать для передачи валидационного набора через конвейер.

Задать этот параметр можно только при включённой маршрутизации метаданных. Её можно включить с помощью sklearn.set_config(enable_metadata_routing=True).

Добавлено в версии 1.6.

verbosebool, по умолчанию=False

Если True, по завершении каждого шага выводится затраченное на его обучение время.

Возвращает:

pPipeline

Возвращает объект Pipeline из scikit-learn.

См. также

Pipeline

Класс для создания конвейера преобразований с завершающим оценивателем.

Примеры

>>> from sklearn.naive_bayes import GaussianNB
>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.pipeline import make_pipeline
>>> make_pipeline(StandardScaler(), GaussianNB(priors=None))
Pipeline(steps=[('standardscaler', StandardScaler()),
                ('gaussiannb', GaussianNB())])

Примеры из галереи

Создание признаков, связанных со временем

Анализ сходимости моделей логистической регрессии со штрафом

Визуализация вероятностей классификации

Сравнение классификаторов

Демонстрация кластеризации методом K-средних на наборе рукописных цифр

Регрессия главных компонент и регрессия методом частичных наименьших квадратов

Преобразование признаков с помощью ансамблей деревьев

Поддержка категориальных признаков в градиентном бустинге

Объединение предикторов с помощью стекинга

Визуализация вероятностных предсказаний VotingClassifier

Одномерный отбор признаков

Конвейер ANOVA SVM

Отбор признаков на основе модели и последовательный отбор

Заполнение пропущенных значений с помощью вариантов IterativeImputer

Заполнение пропущенных значений перед построением оценивателя

Распространённые ошибки при интерпретации коэффициентов линейных моделей

Графики частичной зависимости и индивидуальных условных ожиданий

Расширенные возможности построения графиков частичной зависимости

Масштабируемое обучение с приближением полиномиального ядра

Сравнение линейных байесовских регрессоров

Выбор модели Lasso с помощью информационных критериев

Выбор модели Lasso: AIC-BIC / кросс-валидация

Траектория регуляризации логистической регрессии с L1-штрафом

Регрессия Пуассона и ненормальная функция потерь

Полиномиальная и сплайновая интерполяция

Подбор устойчивого линейного оценивателя

One-Class SVM и One-Class SVM со стохастическим градиентным спуском

Регрессия Твиди для страховых претензий

Обучение многообразий на рукописных цифрах: локально-линейное встраивание, Isomap…

Сравнение алгоритмов обнаружения аномалий и выбросов на учебных наборах данных

Визуализация с помощью объектов отображения

Отображение оценивателей и сложных конвейеров

Оценка оценивателей для обнаружения выбросов

Отображение конвейеров

Знакомство с API set_output

Настройка порога решения после обучения для обучения с учётом стоимости ошибок

Кривая компромисса ошибок обнаружения (DET)

Precision-recall

Настройка порогового значения функции решения после обучения

Приближённый поиск ближайших соседей в TSNE

Уменьшение размерности с помощью Neighborhood Components Analysis

Изменение регуляризации многослойного перцептрона

Дискретизация признаков

Важность масштабирования признаков

Сравнение TargetEncoder с другими кодировщиками

Внутренний кросс-фиттинг TargetEncoder

Основные нововведения scikit-learn 0.22

Основные нововведения scikit-learn 0.23

Основные нововведения scikit-learn 0.24

Основные нововведения scikit-learn 1.0

Основные нововведения scikit-learn 1.1

Основные нововведения scikit-learn 1.2

Основные нововведения scikit-learn 1.7

Основные нововведения scikit-learn 1.8

Основные нововведения scikit-learn 1.9

Кластеризация текстовых документов методом k-средних