scikit中pipeline和make_pipeline有什麼區別？

Question

我得到這個從sklearn網頁：

一）管道：構建從給定的估計管道：以最終估計

B）Make_pipeline變換的管道。這是Pipeline構造函數的簡寫。

但我仍然不明白當我必須使用每一個。任何人都可以給我一個例子嗎？

Answer 1

唯一的區別是make_pipeline會自動爲步驟生成名稱。

需要步驟名稱，例如如果您想使用具有模型選擇實用程序的管道（例如GridSearchCV）。隨着網格搜索你需要指定一個管道的各個步驟參數：

pipe = Pipeline([('vec', CountVectorizer()), ('clf', LogisticRegression()]) 
param_grid = [{'clf__C': [1, 10, 100, 1000]} 
gs = GridSearchCV(pipe, param_grid) 
gs.fit(X, y) 

與make_pipeline比較吧：

pipe = make_pipeline(CountVectorizer(), LogisticRegression())  
param_grid = [{'logisticregression__C': [1, 10, 100, 1000]} 
gs = GridSearchCV(pipe, param_grid) 
gs.fit(X, y) 

所以，用Pipeline：

• 名稱是明確的，你如果你需要它們，不需要弄清楚它們;
• 如果您更改某個步驟中使用的估算器/變壓器，名稱不會更改（例如，如果用LinearSVC（）替換LogisticRegression（），則仍然可以使用clf__C。

make_pipeline：

• 短，可以說是更可讀符號;
• 名稱是使用簡單規則（估算器的小寫名稱）自動生成的。

何時使用它們取決於您:)我更喜歡make_pipeline進行快速實驗，並且使用Pipeline來獲得更穩定的代碼;經驗法則：IPython Notebook - > make_pipeline;更大項目中的Python模塊 - >管道。但在短文本或筆記本中，在模塊或管道中使用make_pipeline肯定不是什麼大問題。