ملاحظة
Go to the end to download the full example code. or to run this example in your browser via JupyterLite or Binder
عرض المنمذجات وأنابيب التوصيل المعقدة#
يوضح هذا المثال طرقًا مختلفة لعرض المنمذجات وأنابيب التوصيل.
# المؤلفون: مطوري scikit-learn
# معرف الترخيص: BSD-3-Clause
from sklearn.compose import make_column_transformer
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
تمثيل نصي مضغوط#
ستعرض المنمذجات فقط المعاملات التي تم ضبطها على قيم غير افتراضية عندما يتم عرضها كسلسلة نصية. هذا يقلل من التشويش البصري ويجعل من السهل ملاحظة الاختلافات عند مقارنة الحالات.
lr = LogisticRegression(penalty="l1")
print(lr)
LogisticRegression(penalty='l1')
تمثيل HTML غني#
في دفاتر الملاحظات، ستستخدم المنمذجات وأنابيب التوصيل تمثيل HTML غني.
وهذا مفيد بشكل خاص لتلخيص
بنية أنابيب التوصيل والمنمذجات المركبة الأخرى، مع التفاعل لتوفير التفاصيل. انقر على الصورة التوضيحية أدناه لتوسيع عناصر أنبوب التوصيل. راجع: ref:visualizing_composite_estimators
لمعرفة كيفية استخدام
هذه الميزة.
num_proc = make_pipeline(SimpleImputer(strategy="median"), StandardScaler())
cat_proc = make_pipeline(
SimpleImputer(strategy="constant", fill_value="missing"),
OneHotEncoder(handle_unknown="ignore"),
)
preprocessor = make_column_transformer(
(num_proc, ("feat1", "feat3")), (cat_proc, ("feat0", "feat2"))
)
clf = make_pipeline(preprocessor, LogisticRegression())
clf
Total running time of the script: (0 minutes 0.040 seconds)
Related examples