python pipeline的用法

本篇內容介紹了“python pipeline的用法”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

說明

1、在使用之前需要在settings中打開。

2、pipeline在settings中鍵表示位置(即pipeline在項目中的位置可以自定義)，值表示離引擎的距離，越近數據越先通過：權重值小的優先執行。

3、當pipeline較多時，process_item的方法必須是returnitem，否則后一個pipeline獲得的數據就是None值。

pipeline中必須有process_item方法，否則item無法接收和處理。

實例

from sklearn.pipeline import Pipeline
from sklearn.svm import SVC
from sklearn.decomposition import PCA
estimators = [('reduce_dim', PCA()), ('clf', SVC())]
pipe = Pipeline(estimators)
pipe

內容擴展：

Python的sklearn.pipeline.Pipeline()函數可以把多個“處理數據的節點”按順序打包在一起，數據在前一個節點處理之后的結果，轉到下一個節點處理。除了最后一個節點外，其他節點都必須實現'fit()'和'transform()'方法， 最后一個節點需要實現fit()方法即可。當訓練樣本數據送進Pipeline進行處理時， 它會逐個調用節點的fit()和transform()方法，然后點用最后一個節點的fit()方法來擬合數據。

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import Pipeline
 
def polynomial_model(degree = 1):
    polynomial_features = PolynomialFeatures(degree = degree, include_bias = False)
    linear_regression = LinearRegression()
    pipeline = Pipeline([('polynomial_features', polynomial_features),
 ('linear_regression', linear_regression)])
    return pipeline

“python pipeline的用法”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！