make_pipeline#

sklearn.pipeline.make_pipeline(*шаги, память=None, transform_input=None, verbose=False)[источник]#

Создать Pipeline из заданных оценщиков.

Это сокращение для Pipeline конструктор; он не требует и не разрешает именовать оценщики. Вместо этого их имена будут автоматически установлены в нижний регистр их типов.

Параметры:
*stepsсписок объектов Estimator

Список оценщиков scikit-learn, соединённых в цепочку.

памятьstr или объект с интерфейсом joblib.Memory, по умолчанию=None

Используется для кэширования обученных трансформеров конвейера. Последний шаг никогда не кэшируется, даже если это трансформер. По умолчанию кэширование не выполняется. Если указана строка, это путь к директории кэширования. Включение кэширования вызывает клонирование трансформеров перед обучением. Поэтому экземпляр трансформера, переданный в конвейер, нельзя напрямую инспектировать. Используйте атрибут named_steps или steps для проверки оценщиков в конвейере. Кэширование преобразователей выгодно, когда подгонка занимает много времени.

transform_inputсписок str, по умолчанию=None

Это позволяет преобразовывать некоторые входные аргументы в fit (кроме X) для преобразования шагами конвейера до шага, который требует их. Требование определяется через маршрутизация метаданныхЭто можно использовать, например, для передачи набора валидации через конвейер.

Это можно установить только если включена маршрутизация метаданных, которую можно включить с помощью sklearn.set_config(enable_metadata_routing=True).

Добавлено в версии 1.6.

verbosebool, по умолчанию=False

Если True, затраченное время на подгонку каждого шага будет выводиться по мере завершения.

Возвращает:
pPipeline

Возвращает scikit-learn Pipeline объект.

Смотрите также

Pipeline

Класс для создания конвейера преобразований с финальным оценщиком.

Примеры

>>> 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())])
На этой странице