Machine learning, Python i data science

Rozdział 6. Łańcuchy algorytmów i potoki

Jak pisaliśmy w rozdziale 4., w przypadku wielu algorytmów uczenia maszynowego bardzo ważna jest reprezentacja danych, które podajemy. Od skalowania danych i ręcznego łączenia cech po uczenie modelu cech przy użyciu uczenia maszynowego bez nadzoru — co omówiliśmy w rozdziale 3. W konsekwencji większość aplikacji do uczenia maszynowego wymaga nie tylko zastosowania pojedynczego algorytmu, ale także połączenia wielu różnych etapów przetwarzania i modeli uczenia maszynowego. W tym rozdziale omówimy, jak uprościć proces tworzenia łańcuchów transformacji i modeli przy użyciu klasy Pipeline (ang. potok). Skupimy się szczególnie na tym, jak można połączyć użycie klas Pipeline i GridSearchCV w celu przeszukiwania ...