0

实际上这个疑问更像是——“为什么这段代码工作正常？”。

我正在从教科书中解决一个问题。具体来说，问题是构建一个具有数据准备阶段（删除 NA 值，执行特征缩放等）和预测阶段的管道，该阶段涉及在转换后的数据集上训练的预测器并返回其预测。

在这里，我们使用了支持向量回归模块 (sklearn.svm.svr)。

我尝试了我的一些代码，但它没有工作。于是我查阅了教科书作者提供的实际解决方案——

prepare_select_and_predict_pipeline = Pipeline([
    ('preparation', data_prep),
    ('svm_reg', SVR(kernel='rbf',C=30000,gamma='scale'))
])

prepare_select_and_predict_pipeline.fit(x_train,y_train)

some_data = x_train.iloc[:4]
print("Predictions for a subset of Training Set:",prepare_select_and_predict_pipeline.predict(some_data))

我尝试了这段代码，它确实按预期工作。它如何才能正常工作？我的主要反对意见是：

  1. 我们只拟合了数据集，但我们实际上在哪里 转换它？我们不会在任何地方调用 transform() 函数......

  2. 另外，我们如何在这个管道中使用 predict() 函数？SVR 可能是该管道的一部分，但其他转换器也是如此，它们没有 predict() 函数。

提前感谢您的回答！

4

1 回答 1

0

当您fit在scikit-learn 上执行时，会在预处理步骤和最后一步（分类器|回归器）Pipeline的引擎盖下执行。当您在预处理阶段和最后一步调用scikit - learn时。fit_transformfitpredictPipelinetransformpredict

现在，模型的定义不是最后一步，而是接受数据和输出结果的所有步骤。Pipeline 现在是一个模型。如果您使用具有 Pipelines 的 GridSearchCV，并且 Pipelines 具有预处理和最终步骤（回归器|分类器），那么 GridSearchCV 现在就是模型。

请参阅管道文档

于 2021-04-04T05:25:31.410 回答