Přehled pipeline v sklearn

Extreme Gradient Boosting with XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Přehled Pipeline

Přijímá seznam pojmenovaných 2-tic (název, krok_pipeline) jako vstup
N-tice mohou obsahovat libovolný estimátor nebo transformátor kompatibilní se scikit-learn
Pipeline implementuje metody fit/predict
Lze použít jako vstupní estimátor pro grid/randomized search a metodu cross_val_score

Příklad pipeline v scikit-learn

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.model_selection import cross_val_score

names = ["crime","zone","industry","charles","no","rooms",
        "age", "distance","radial","tax","pupil","aam","lower","med_price"]

data = pd.read_csv("boston_housing.csv",names=names)

X, y = data.iloc[:,:-1], data.iloc[:,-1]

rf_pipeline = Pipeline[("st_scaler", 
                StandardScaler()),
                ("rf_model",RandomForestRegressor())]

scores = cross_val_score(rf_pipeline,X,y,    
scoring="neg_mean_squared_error",cv=10)

Příklad pipeline v scikit-learn

final_avg_rmse = np.mean(np.sqrt(np.abs(scores)))

print("Final RMSE:", final_avg_rmse)

Final RMSE: 4.54530686529

Předzpracování I: LabelEncoder a OneHotEncoder

LabelEncoder: Převede kategorický sloupeček řetězců na celá čísla
OneHotEncoder: Převede sloupeček celých čísel na dummy proměnné
Nelze použít přímo v pipeline

Předzpracování II: DictVectorizer

Tradičně využíváno při zpracování textu
Převádí seznam mapování příznaků na vektory
DataFrame je nutné převést na seznam slovníkových záznamů
Viz dokumentace scikit-learn

Pojďme sestavit pipeline!

Extreme Gradient Boosting with XGBoost