Отображение оценщиков и сложных конвейеров

Этот пример иллюстрирует различные способы отображения оценщиков и конвейеров.

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

from sklearn.compose import make_column_transformer
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler

Компактное текстовое представление

Оценщики будут отображать только параметры, которые были установлены в значения, отличные от значений по умолчанию, при отображении в виде строки. Это уменьшает визуальный шум и упрощает обнаружение различий при сравнении экземпляров.

lr = LogisticRegression(l1_ratio=1)
print(lr)

LogisticRegression(l1_ratio=1)

Богатое HTML-представление

В ноутбуках оценщики и конвейеры будут использовать расширенное HTML-представление. Это особенно полезно для обобщения структуры конвейеров и других составных оценщиков, с интерактивностью для предоставления деталей. Нажмите на пример изображения ниже, чтобы развернуть элементы конвейера. См. Визуализация композитных оценщиков для того, как вы можете использовать эту функцию.

num_proc = make_pipeline(SimpleImputer(strategy="median"), StandardScaler())

cat_proc = make_pipeline(
    SimpleImputer(strategy="constant", fill_value="missing"),
    OneHotEncoder(handle_unknown="ignore"),
)

preprocessor = make_column_transformer(
    (num_proc, ("feat1", "feat3")), (cat_proc, ("feat0", "feat2"))
)

clf = make_pipeline(preprocessor, LogisticRegression())
clf

Pipeline(steps=[('columntransformer',
                 ColumnTransformer(transformers=[('pipeline-1',
                                                  Pipeline(steps=[('simpleimputer',
                                                                   SimpleImputer(strategy='median')),
                                                                  ('standardscaler',
                                                                   StandardScaler())]),
                                                  ('feat1', 'feat3')),
                                                 ('pipeline-2',
                                                  Pipeline(steps=[('simpleimputer',
                                                                   SimpleImputer(fill_value='missing',
                                                                                 strategy='constant')),
                                                                  ('onehotencoder',
                                                                   OneHotEncoder(handle_unknown='ignore'))]),
                                                  ('feat0', 'feat2'))])),
                ('logisticregression', LogisticRegression())])

В среде Jupyter, пожалуйста, перезапустите эту ячейку, чтобы показать HTML-представление, или доверьтесь блокноту.
На GitHub HTML-представление не может отображаться, попробуйте загрузить эту страницу с помощью nbviewer.org.

Связанные примеры

Отображение конвейеров

Отображение конвейеров

Объедините предикторы с помощью стекинга

Объедините предикторы с помощью стекинга

Основные новости выпуска scikit-learn 0.23

Основные новости выпуска scikit-learn 0.23

Трансформер столбцов со смешанными типами

Трансформер столбцов со смешанными типами