Обзор пайплайнов в sklearn

Экстремальный градиентный бустинг с XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Обзор Pipeline

Принимает список именованных пар (name, pipeline_step)
Кортежи могут содержать любой совместимый с scikit-learn эстиматор или трансформер
Pipeline реализует методы fit/predict
Можно использовать как эстиматор в методах grid/randomized search и cross_val_score

Пример пайплайна 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)

Пример пайплайна scikit-learn

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

print("Final RMSE:", final_avg_rmse)

Final RMSE: 4.54530686529

Предобработка I: LabelEncoder и OneHotEncoder

LabelEncoder: преобразует категориальный столбец строк в целые числа
OneHotEncoder: принимает столбец целых чисел и кодирует их как фиктивные переменные
Не может применяться внутри пайплайна

Предобработка II: DictVectorizer

Традиционно используется в обработке текста
Преобразует списки словарей признаков в векторы
Необходимо конвертировать DataFrame в список словарей
Изучите документацию scikit-learn

Давайте потренируемся!

Экстремальный градиентный бустинг с XGBoost