說明

1、在使用之前需要在settings中打開。

2、pipeline在settings中鍵表示位置(即pipeline在項(xiàng)目中的位置可以自定義)，值表示離引擎的距離，越近數(shù)據(jù)越先通過：權(quán)重值小的優(yōu)先執(zhí)行。

3、當(dāng)pipeline較多時，process_item的方法必須是returnitem，否則后一個pipeline獲得的數(shù)據(jù)就是None值。

pipeline中必須有process_item方法，否則item無法接收和處理。

實(shí)例

from sklearn.pipeline import Pipeline
from sklearn.svm import SVC
from sklearn.decomposition import PCA
estimators = [('reduce_dim', PCA()), ('clf', SVC())]
pipe = Pipeline(estimators)
pipe

內(nèi)容擴(kuò)展：

Python的sklearn.pipeline.Pipeline()函數(shù)可以把多個“處理數(shù)據(jù)的節(jié)點(diǎn)”按順序打包在一起，數(shù)據(jù)在前一個節(jié)點(diǎn)處理之后的結(jié)果，轉(zhuǎn)到下一個節(jié)點(diǎn)處理。除了最后一個節(jié)點(diǎn)外，其他節(jié)點(diǎn)都必須實(shí)現(xiàn)'fit()'和'transform()'方法， 最后一個節(jié)點(diǎn)需要實(shí)現(xiàn)fit()方法即可。當(dāng)訓(xùn)練樣本數(shù)據(jù)送進(jìn)Pipeline進(jìn)行處理時， 它會逐個調(diào)用節(jié)點(diǎn)的fit()和transform()方法，然后點(diǎn)用最后一個節(jié)點(diǎn)的fit()方法來擬合數(shù)據(jù)。

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import Pipeline
 
def polynomial_model(degree = 1):
    polynomial_features = PolynomialFeatures(degree = degree, include_bias = False)
    linear_regression = LinearRegression()
    pipeline = Pipeline([('polynomial_features', polynomial_features),
 ('linear_regression', linear_regression)])
    return pipeline

以上就是python pipeline的用法及避坑點(diǎn)的詳細(xì)內(nèi)容，更多關(guān)于python pipeline的使用注意的資料請關(guān)注腳本之家其它相關(guān)文章！