En general, una canalización de aprendizaje automático es una serie de pasos, ejecutados en orden para automatizar los flujos de trabajo de aprendizaje automático. Una serie de pasos incluyen entrenar, dividir e implementar el modelo.
Tubería
Se utiliza para ejecutar el proceso secuencialmente y ejecutar los pasos, transformadores o estimadores que se nombran manualmente. Los transformadores y los estimadores son los parámetros para ajustar el modelo y ajustar la precisión del modelo.
Sintaxis: clase sklearn.pipeline.Pipeline(pasos, *, memoria=Ninguno, detallado=Falso)
Nota: En la sintaxis anterior, los pasos (se pueden representar como una array) se representan como una secuencia de funciones que se ejecutarán para completar la tarea.
Ejemplo:
Aquí vamos a crear una canalización utilizando los métodos Pipeline().
Python3
# import required modules import numpy as np from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline # declare X, used as a feature with # nested array X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]]) # declare y as target variable y = np.array([9, 10, 11, 12]) # pipeline is created using Pipeline() pipe = Pipeline([('std_sc', StandardScaler()), ('svc_', SVC(gamma='auto'))]) pipe.fit(X, y)
Producción:
hacer_tubería
make_pipleine es un método avanzado en scikit learn, en el que el nombramiento de los estimadores o transformadores se realiza automáticamente.
Sintaxis: sklearn.pipeline.make_pipeline(*pasos, memoria=Ninguno, detallado=Falso)
Ejemplo:
Aquí vamos a hacer una canalización usando los métodos make_pipeline().
Python3
# import required modules import numpy as np from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC # declare X, used as a feature with # nested array X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]]) # declare y as target variable y = np.array([9, 10, 11, 12]) # pipeline is created using make_pipeline() mp = make_pipeline(StandardScaler(), SVC(gamma='auto')) mp.fit(X, y)
Producción:
Tabla de diferencia entre tubería y make_pipeline en scikit
tubería |
hacer_tubería |
---|---|
La canalización requiere nombrar los pasos manualmente. | make_pipeline nombra los pasos automáticamente. |
Los nombres se definen explícitamente, sin reglas. | Los nombres se generan automáticamente utilizando una regla sencilla (minúsculas del estimador). |
Los nombres no se pueden cambiar en función del transformador o estimador utilizado. | Los nombres son legibles, cortos y fáciles de entender, y se pueden cambiar según el estimador utilizado. |
Publicación traducida automáticamente
Artículo escrito por sujithrabaskaran y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA