做问卷的网站有那些,宁夏做网站,烟台网站title优化,企业网站做静态网站还是目录
1、首先#xff0c;我们构建一个由步骤列表组成的管道对象。
2、向任何其他scikit-learn估计器一样来拟合这个管道
3、调用pipe.score 我们来看下如何使用Pipeline类来表示在使用MinMaxScaler缩放数据后#xff0c;再训练一个SVM的工作流程#xff08;暂时不用网格搜…目录
1、首先我们构建一个由步骤列表组成的管道对象。
2、向任何其他scikit-learn估计器一样来拟合这个管道
3、调用pipe.score 我们来看下如何使用Pipeline类来表示在使用MinMaxScaler缩放数据后再训练一个SVM的工作流程暂时不用网格搜索
1、首先我们构建一个由步骤列表组成的管道对象。
每个步骤都是一个元祖其中包含一个名称选定的任意字符和一个估计器的示例
from sklearn.pipeline import Pipeline
pipePipeline([(scaler,MinMaxScaler()),(svm,SVC())])
这里我们创建了两个步骤1、‘scaler’是MinMaxScaler的实例2、‘svm’是SVC的实例。
2、向任何其他scikit-learn估计器一样来拟合这个管道
pipe.fit(X_train,y_train)
这里pipe.fit首先对第一个步骤缩放器调用fit然后使用该缩放器对训练数据进行变换最后用缩放后的数据来拟合SVM
3、调用pipe.score
这一步可以在测试数据上进行评估
print(在测试集的精度{:.4f}.format(pipe.score(X_test,y_test))) 如果对管道调用score方法则首先使用缩放器对测试数据进行变换然后利用缩放后的测试数据对SVM调用score方法。
可以看到这个结果与手动进行数据变换是相同的。利用管道我们减少了“预处理分类”过程所需要的代码量。
但是使用管道的主要有点在于现在我们可以在cross_val_score火GridSearchCV中使用这个估计器。
