Python-sklearn.pipeline.Pipeline到底是什么？

Question

我不知道如何sklearn.pipeline.Pipeline工作。

文档中有一些解释。例如，它们的意思是：

带有最终估算器的变换管线。

为了使我的问题更清楚，什么是steps？它们如何工作？

编辑

由于有了答案，我可以使我的问题更清楚：

当我调用管道并通过时，需要两个转换器和一个估计器，例如：

pipln = Pipeline([("trsfm1",transformer_1),
                  ("trsfm2",transformer_2),
                  ("estmtr",estimator)])

我叫这个怎么办？

pipln.fit()
OR
pipln.fit_transform()

我不知道估算器如何成为变压器以及如何装配变压器。

Answer 1

*scikit-learn中的 *Transformer- 一些具有fit和transform方法或fit_transform方法的类。

预测器 -具有fit和预测方法或fit_predict方法的某些类。

管道
只是一个抽象概念，它不是现有的ml算法。在ML任务中，通常需要在应用最终估计量之前对原始数据集执行不同变换的序列（查找特征集，生成新特征，仅选择一些良好特征）。

这是管道使用的一个很好的例子。管道为您提供了用于转换的所有三个步骤和结果估计器的单一界面。它在内部封装了转换器和预测变量，现在您可以执行以下操作：

    vect = CountVectorizer()
    tfidf = TfidfTransformer()
    clf = SGDClassifier()

    vX = vect.fit_transform(Xtrain)
    tfidfX = tfidf.fit_transform(vX)
    predicted = clf.fit_predict(tfidfX)

    # Now evaluate all steps on test set
    vX = vect.fit_transform(Xtest)
    tfidfX = tfidf.fit_transform(vX)
    predicted = clf.fit_predict(tfidfX)

只是：

pipeline = Pipeline([
    ('vect', CountVectorizer()),
    ('tfidf', TfidfTransformer()),
    ('clf', SGDClassifier()),
])
predicted = pipeline.fit(Xtrain).predict(Xtrain)
# Now evaluate all steps on test set
predicted = pipeline.predict(Xtest)

使用管道，您可以轻松地针对该元估计器的每个步骤对一组参数执行网格搜索。如以上链接中所述。除最后一个步骤外，所有步骤都必须是转换步骤，最后一个步骤可以是转换器或预测值。
编辑答案
：致电时pipln.fit()-管道内的每个变压器都将安装在先前变压器的输出上（从原始数据集获悉第一个变压器）。最后一个估计器可以是转换器或预测器，仅当您的最后一个估计器是转换器（可以实现fit_transform或分别转换和拟合方法）时，才可以在管道上调用fit_transform（），只有在以下情况下，才可以在管道上调用fit_predict（）或predict（）：您的最后一个估算器是预测器。因此，您无法调用fit_transform或在管道上进行转换，后者的最后一步是预测变量。