sklearn pipeline函数

定义：

 Pipeline(…)

类型：

 sklearn.pipeline模块中的函数

 带有最终评估器的转移管道。连续运用一系列的转换操作和一个最终的评估器。管道的中间操作必须是’transform’，也就是说，它们必须实现fit和transform方法。最后的估计器只需要实现fit方法。管道中的转换器可以使用内存参数进行缓存。

 管道的目的是组装几个步骤，这些步骤可以设置不同的参数同时进行交叉验证，因此，它可以使用它们的名称和”_“分隔的参数名称来设置各种步骤的参数，如下面的示例所示。步骤的估计器可以完全替换，通过将参数设置为另一个估计其，或者通过设置为None移除一个转换器。

 在用户指南中阅读更多信息。

输入参数：

• 参数名：steps
• 类型：list
• 说明：(名称、转换)元组（实现fit/transform)的列表，按照它们被链接的顺序排列，最后一个对象是评估器

---

• 参数名：memory
• 类型： None, str or object with the joblib.Memory interface, optional
• 说明：用于缓存管道的被训练的转换器。默认情况下，不执行缓存，如果给定的是一个字符串，那么它就是到缓存目录的路径。启用缓存可以在拟合之前出发转换器的克隆。因此，给管道的转换器实例不能直接检查。使用属性named_steps或者步骤来检查管道内的估计器，在fit耗费时间较大时，缓存转换器是有利的。

属性：

• 参数名：named_steps
• 类型：bunch object, a dictionary with attribute access
• 说明：只读属性，可以通过用户给定的名字访问任何步骤，键是步骤明，值是步骤的参数。

示例：

>>> from sklearn import svm #导入svm
>>> from sklearn.datasets import samples_generator 
>>> from sklearn.feature_selection import SelectKBest
>>> from sklearn.feature_selection import f_regression
>>> from sklearn.pipeline import Pipeline
>>> # generate some data to play with
>>> X, y = samples_generator.make_classification(
...     n_informative=5, n_redundant=0, random_state=42)
>>> # ANOVA SVM-C
>>> anova_filter = SelectKBest(f_regression, k=5)
>>> clf = svm.SVC(kernel='linear')
#以下是pipeline的关键部分
>>> anova_svm = Pipeline([('anova', anova_filter), ('svc', clf)])
>>> # You can set the parameters using the names issued
>>> # For instance, fit using a k of 10 in the SelectKBest
>>> # and a parameter 'C' of the svm
# 修改转换器的参数
>>> anova_svm.set_params(anova__k=10, svc__C=.1).fit(X, y)
...                      
Pipeline(memory=None,
         steps=[('anova', SelectKBest(...)),
                ('svc', SVC(...))])
>>> prediction = anova_svm.predict(X)
>>> anova_svm.score(X, y)                        
0.829...
>>> # getting the selected features chosen by anova_filter
>>> anova_svm.named_steps['anova'].get_support()
... 
array([False, False,  True,  True, False, False, True,  True, False,
       True,  False,  True,  True, False, True,  False, True, True,
       False, False], dtype=bool)
>>> # Another way to get selected features chosen by anova_filter
>>> anova_svm.named_steps.anova.get_support()
... 
array([False, False,  True,  True, False, False, True,  True, False,
       True,  False,  True,  True, False, True,  False, True, True,
       False, False], dtype=bool)