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(dāng)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。

from sklearn.pipeline import Pipelinefrom sklearn.svm import SVCfrom sklearn.decomposition import PCAestimators = [(’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(dāng)訓(xùn)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 LinearRegressionfrom sklearn.preprocessing import PolynomialFeaturesfrom 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)注好吧啦網(wǎng)其它相關(guān)文章！