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)容擴展：
Python的sklearn.pipeline.Pipeline()函數(shù)可以把多個“處理數(shù)據(jù)的節(jié)點”按順序打包在一起，數(shù)據(jù)在前一個節(jié)點處理之后的結(jié)果，轉(zhuǎn)到下一個節(jié)點處理。除了最后一個節(jié)點外，其他節(jié)點都必須實現(xiàn)'fit()'和'transform()'方法， 最后一個節(jié)點需要實現(xiàn)fit()方法即可。當訓練樣本數(shù)據(jù)送進Pipeline進行處理時， 它會逐個調(diào)用節(jié)點的fit()和transform()方法，然后點用最后一個節(jié)點的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的用法及避坑點的詳細內(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！
您可能感興趣的文章:- 一分鐘帶你掌握Python中pip的安裝與使用方法
- PIP安裝python包出現(xiàn)超時問題的解決
- pip/anaconda修改鏡像源,加快python模塊安裝速度的操作
- python如何發(fā)布自已pip項目的方法步驟
- 如何將自己的python代碼發(fā)布在pip install給別人使用你知道嗎
