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
Pipeline(steps=[('columntransformer',
                 ColumnTransformer(transformers=[('pipeline-1',
                                                  Pipeline(steps=[('simpleimputer',
                                                                   SimpleImputer(strategy='median')),
                                                                  ('standardscaler',
                                                                   StandardScaler())]),
                                                  ('feat1', 'feat3')),
                                                 ('pipeline-2',
                                                  Pipeline(steps=[('simpleimputer',
                                                                   SimpleImputer(fill_value='missing',
                                                                                 strategy='constant')),
                                                                  ('onehotencoder',
                                                                   OneHotEncoder(handle_unknown='ignore'))]),
                                                  ('feat0', 'feat2'))])),
                ('logisticregression', LogisticRegression())])
In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.


Total running time of the script: (0 minutes 0.040 seconds)

Related examples

عرض خطوط الأنابيب

عرض خطوط الأنابيب

أبرز الميزات الجديدة في إصدار scikit-learn 0.23

أبرز الميزات الجديدة في إصدار scikit-learn 0.23

محول الأعمدة مع الأنواع المختلطة

محول الأعمدة مع الأنواع المختلطة

تحويل الميزات باستخدام مجموعات الأشجار

تحويل الميزات باستخدام مجموعات الأشجار

Gallery generated by Sphinx-Gallery