python – scikit-learn:将任意函数应用为管道的一部分
发布时间:2020-12-20 11:58:33 所属栏目:Python 来源:网络整理
导读:我刚刚发现了scikit-learn的 Pipeline特性,我发现它在训练模型之前测试预处理步骤的不同组合非常有用. 管道是实现拟合和转换方法的对象链.现在,如果我想添加一个新的预处理步骤,我曾经写过一个继承自sklearn.base.estimator的类.但是,我认为必须有一个更简单
我刚刚发现了scikit-learn的
Pipeline特性,我发现它在训练模型之前测试预处理步骤的不同组合非常有用.
管道是实现拟合和转换方法的对象链.现在,如果我想添加一个新的预处理步骤,我曾经写过一个继承自sklearn.base.estimator的类.但是,我认为必须有一个更简单的方法.我是否真的需要在估算器类中包含我想要应用的每个函数? 例: class Categorizer(sklearn.base.BaseEstimator): """ Converts given columns into pandas dtype 'category'. """ def __init__(self,columns): self.columns = columns def fit(self,X,y): return self def transform(self,X): for column in self.columns: X[column] = X[column].astype("category") return X 解决方法
对于一般解决方案(适用于许多其他用例,不仅仅是变换器,还有简单模型等),如果你有无状态函数(没有实现拟合),你可以编写自己的装饰器,例如:
class TransformerWrapper(sklearn.base.BaseEstimator): def __init__(self,func): self._func = func def fit(self,*args,**kwargs): return self def transform(self,**kwargs): return self._func(X,**kwargs) 现在你可以做到 @TransformerWrapper def foo(x): return x*2 这相当于做 def foo(x): return x*2 foo = TransformerWrapper(foo) 这就是sklearn.preprocessing.FunctionTransformer正在做什么. 我个人认为装饰更简单,因为你的预处理器与其余的代码有很好的分离,但是由你决定遵循哪条路径. 实际上你应该可以用sklearn函数来装饰 from sklearn.preprocessing import FunctionTransformer @FunctionTransformer def foo(x): return x*2 太. (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |