Python sklearn make_pipeline用法及代码示例

本文简要介绍python语言中 sklearn.pipeline.make_pipeline 的用法。

用法:

sklearn.pipeline.make_pipeline(*steps, memory=None, verbose=False)

从给定的估计器构造一个 Pipeline 。

这是 Pipeline 构造函数的简写；它不需要也不允许命名估算器。相反，它们的名称将自动设置为它们类型的小写字母。

参数：

*steps：估算器对象列表

链接在一起的scikit-learn 估计器的列表。

memory：带有joblib.Memory 接口的str 或对象，默认=None

用于缓存管道的拟合转换器。默认情况下，不执行缓存。如果给出一个字符串，它是缓存目录的路径。启用缓存会在拟合之前触发转换器的克隆。因此，不能直接检查给予管道的转换器实例。使用属性named_steps 或steps 来检查管道中的估计器。当拟合耗时时，缓存转换器是有利的。

verbose：布尔，默认=假

如果为 True，则拟合每个步骤所经过的时间将在完成时打印。

返回：

p：管道

返回 scikit-learn Pipeline 对象。

例子：

>>> 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())])