Python机器学习基础教程

算法链与管道

｜

239

In[5]:

from sklearn.pipeline import Pipeline

pipe = Pipeline([("scaler", MinMaxScaler()), ("svm", SVC())])

这里我们创建了两个步骤：第一个叫作 "scaler"，是 MinMaxScaler 的实例；第二个叫作

"svm"，是 SVC 的实例。现在我们可以像任何其他 scikit-learn 估计器一样来拟合这个管道：

In[6]:

pipe.fit(X_train, y_train)

这里 pipe.fit 首先对第一个步骤（缩放器）调用 fit，然后使用该缩放器对训练数据进

行变换，最后用缩放后的数据来拟合

SVM

。要想在测试数据上进行评估，我们只需调用

pipe.score：

In[7]:

print("Test score: {:.2f}".format(pipe.score(X_test, y_test)))

Out[7]:

Test score: 0.95

如果对管道调用

score

方法，则首先使用缩放器对测试数据进行变换，然后利用缩放后

的测试数据对

SVM

调用

score

方法。如你所见，这个结果与我们从本章开头的代码得到

的结果（手动进行数据变换）是相同的。利用管道，我们减少了“预处理

+

分类”过程

所需要的代码量。但是，使用管道的主要优点在于，现在我们可以在

cross_val_score

或

GridSearchCV

中使用这个估计器。

6.3

　在网格搜索中使用管道

在网格搜索中使用管道的工作原理与使用任何其他估计器都相同。 ...