make_pipeline

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

Создаёт Pipeline из заданных оценщиков.

Это сокращённая запись для конструктора Pipeline; она не требует и не позволяет именовать оценщики. Вместо этого их имена будут автоматически установлены в нижний регистр их типов.

Параметры:

*stepsсписок объектов Estimator

Список scikit-learn оценщиков, объединённых в цепочку.

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

Используется для кэширования обученных преобразователей в конвейере. Последний шаг никогда не будет кэшироваться, даже если это преобразователь. По умолчанию кэширование не выполняется. Если передана строка, она указывает путь к каталогу кэширования. Включение кэширования запускает клонирование преобразователей перед обучением. Поэтому, экземпляр преобразователя, переданный в конвейер, нельзя напрямую просмотреть. Используйте атрибут named_steps или steps для просмотра оценщиков внутри конвейера. Кэширование преобразователей выгодно, когда обучение занимает много времени.

transform_inputсписок строк, по умолчанию=None

Это позволяет преобразовать некоторые входные аргументы в fit (кроме X) для преобразования шагами конвейера до шага, который их требует. Требование определяется с помощью маршрутизации метаданных. Это можно использовать, например, для прохождения проверочного набора через конвейер.

Вы можете установить это только если маршрутизация метаданных включена, что можно сделать с помощью sklearn.set_config(enable_metadata_routing=True).

Добавлен в версии 1.6.

verbosebool, по умолчанию=False

Если True, время, затраченное на обучение каждого шага, будет выводиться по завершении.

Возвращает:

pPipeline

Возвращает scikit-learn объект Pipeline.

См. также

Pipeline

Класс для создания конвейера преобразований с конечным оценщиком.

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())])