Tworzenie potoku uczenia maszynowego

Analiza danych IoT w Pythonie

Matthias Voppichler

IT Developer

Potok

Transformator
- Konwersja
- Skalowanie
Estymator
- Model

Tworzenie potoku

from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline

# Initialize Objects
sc = StandardScaler()
logreg = LogisticRegression()

# Create pipeline
pl = Pipeline([
        ("scale", sc),
        ("logreg", logreg)
    ])

Inspekcja potoku

pl

Pipeline(memory=None,
         steps=[('scale', StandardScaler(copy=True, with_mean=True, with_std=True)), 
                ('logreg', <class 'sklearn.linear_model.logistic.LogisticRegression'>)])

pl.fit(X_train, y_train)

print(pl.predict(X_test))

[0 0 1 1 0 1 1 0 0]

Zapisywanie modelu

import pickle

with Path("pipeline_model.pkl").open("bw") as f:
    pickle.dump(pl, f)

Wczytywanie modelu

import pickle
with Path("pipeline_model.pkl").open('br') as f:
    pl = pickle.load(f)

pl

Pipeline(memory=None,
     steps=[('scale', StandardScaler(copy=True, with_mean=True, with_std=True)), 
             ('logreg', LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
          intercept_scaling=1, max_iter=100, multi_class='warn', n_jobs=None, penalty='l2', 
          random_state=None, solver='warn', tol=0.0001, verbose=0, warm_start=False))])

Ważne ostrzeżenie

NIE należy deserializować niezaufanych plików — może to doprowadzić do wykonania złośliwego kodu.

Czas na ćwiczenia!

Analiza danych IoT w Pythonie