Python sklearn make_pipeline用法及代碼示例

本文簡要介紹python語言中 sklearn.pipeline.make_pipeline 的用法。

用法:

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

從給定的估計器構造一個 Pipeline 。

這是 Pipeline 構造函數的簡寫；它不需要也不允許命名估算器。相反，它們的名稱將自動設置為它們類型的小寫字母。

參數：

*steps：估算器對象列表

鏈接在一起的scikit-learn 估計器的列表。

memory：帶有joblib.Memory 接口的str 或對象，默認=None

用於緩存管道的擬合轉換器。默認情況下，不執行緩存。如果給出一個字符串，它是緩存目錄的路徑。啟用緩存會在擬合之前觸發轉換器的克隆。因此，不能直接檢查給予管道的轉換器實例。使用屬性named_steps 或steps 來檢查管道中的估計器。當擬合耗時時，緩存轉換器是有利的。

verbose：布爾，默認=假

如果為 True，則擬合每個步驟所經過的時間將在完成時打印。

返回：

p：管道

返回 scikit-learn Pipeline 對象。

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())])