make_pipeline#

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

Konstruiert eine Pipeline aus den gegebenen Schätzern.

Dies ist eine Kurzschreibweise für den Pipeline-Konstruktor; sie erfordert und erlaubt nicht die Benennung der Schätzer. Stattdessen werden ihre Namen automatisch in die Kleinschreibung ihrer Typen umgewandelt.

Parameter:
*stepsListe von Estimator-Objekten

Liste der scikit-learn-Schätzer, die miteinander verkettet sind.

memoryString oder Objekt mit dem joblib.Memory-Interface, Standard=None

Wird zum Caching der angepassten Transformer der Pipeline verwendet. Der letzte Schritt wird niemals gecacht, auch wenn es sich um einen Transformer handelt. Standardmäßig erfolgt kein Caching. Wenn eine Zeichenkette angegeben wird, ist dies der Pfad zum Caching-Verzeichnis. Das Aktivieren des Cachings löst eine Klonung der Transformer vor dem Anpassen aus. Daher kann die Transformer-Instanz, die an die Pipeline übergeben wird, nicht direkt inspiziert werden. Verwenden Sie das Attribut named_steps oder steps, um Schätzer innerhalb der Pipeline zu inspizieren. Das Caching der Transformer ist vorteilhaft, wenn die Anpassung zeitaufwendig ist.

transform_inputListe von Zeichenketten, Standard=None

Dies ermöglicht die Transformation einiger Eingabeargumente für fit (außer X) durch die Schritte der Pipeline bis zu dem Schritt, der sie benötigt. Die Anforderung wird über das Metadaten-Routing definiert. Dies kann beispielsweise verwendet werden, um einen Validierungssatz durch die Pipeline zu leiten.

Sie können dies nur festlegen, wenn das Metadaten-Routing aktiviert ist, was Sie mit sklearn.set_config(enable_metadata_routing=True) aktivieren können.

Hinzugefügt in Version 1.6.

verbosebool, default=False

Wenn True, wird die Zeit, die für das Anpassen jedes Schritts benötigt wird, beim Abschluss gedruckt.

Gibt zurück:
pPipeline

Gibt ein scikit-learn Pipeline-Objekt zurück.

Siehe auch

Pipeline

Klasse zur Erstellung einer Pipeline von Transformationen mit einem finalen Schätzer.

Beispiele

>>> 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())])
Auf dieser Seite

Diese Seite