机器学习tip：sklearn中的pipeline-CSDN博客

一个典型的机器学习构建包含若干个过程

1. 源数据ETL
2. 数据预处理
3. 特征选取
4. 模型训练与验证

一个典型的机器学习构建包含若干个过程

以上四个步骤可以抽象为一个包括多个步骤的流水线式工作从数据收集开始至输出我们需要的最终结果。因此对以上多个步骤、进行抽象建模简化为流水线式工作流程则存在着可行性对利用spark进行机器学习的用户来说流水线式机器学习比单个步骤独立建模更加高效、易用。

管道机制在机器学习算法中得以应用的根源在于参数集在新数据集比如测试集上的重复使用。

管道机制实现了对全部步骤的流式化封装和管理streaming workflows with pipelines。注意管道机制更像是编程技巧的创新而非算法的创新。

接下来我们以一个具体的例子来演示sklearn库中强大的Pipeline用法

1 加载数据集

import pandas as pd
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import LabelEncoder
 
df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/'
                 'breast-cancer-wisconsin/wdbc.data', header=None)
                                 # Breast Cancer Wisconsin dataset
 
X, y = df.values[:, 2:], df.values[:, 1]
                                # y为字符型标签
                                # 使用LabelEncoder类将其转换为0开始的数值型
encoder = LabelEncoder()
y = encoder.fit_transform(y)
                    >>> encoder.transform(['M', 'B'])
                    array([1, 0])
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=0)

2 构思算法的流程

可放在Pipeline中的步骤可能有

• 特征标准化是需要的可作为第一个环节
• 既然是分类器classifier也是少不了的自然是最后一个环节
• 中间可加上比如数据降维PCA

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
 
from sklearn.pipeline import Pipeline
 
pipe_lr = Pipeline([('sc', StandardScaler()),
                    ('pca', PCA(n_components=2)),
                    ('clf', LogisticRegression(random_state=1))
                    ])
pipe_lr.fit(X_train, y_train)
print('Test accuracy: %.3f' % pipe_lr.score(X_test, y_test))
 
                # Test accuracy: 0.947

Pipeline对象接受二元tuple构成的list每一个二元 tuple 中的第一个元素为 arbitrary identifier string我们用以获取accessPipeline object 中的 individual elements二元 tuple 中的第二个元素是 scikit-learn与之相适配的transformer 或者 estimator。

Pipeline([('sc', StandardScaler()), ('pca', PCA(n_components=2)), ('clf', LogisticRegression(random_state=1))])

3 Pipeline执行流程的分析

Pipeline 的中间过程由scikit-learn相适配的转换器transformer构成最后一步是一个estimator。比如上述的代码StandardScaler和PCA transformer 构成intermediate stepsLogisticRegression 作为最终的estimator。

当我们执行 pipe_lr.fit(X_train, y_train)时首先由StandardScaler在训练集上执行 fit 和 transform 方法transformed后的数据又被传递给Pipeline对象的下一步也即PCA()。和StandardScaler一样PCA也是执行 fit 和 transform 方法最终将转换后的数据传递给 LosigsticRegression。整个流程如下图所示

Reference

https://blog.csdn.net/lanchunhui/article/details/50521648

Statement

本文未经系统测试和专业评审欢迎在评论区反馈和讨论问题。