原文：
www.kdnuggets.com/2017/12/managing-machine-learning-workflows-scikit-learn-pipelines-part-1.html
评论
你熟悉 Scikit-learn Pipelines 吗？
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你组织的 IT
它们是管理机器学习工作流的极其简单但非常有用的工具。
一个典型的机器学习任务通常涉及不同程度的数据准备。我们不会在这里深入探讨数据准备的各种活动，但有很多。这些任务以占用大量机器学习任务时间而闻名。
在数据集从潜在的初始大混乱状态中清理干净之后，仍然有几个较不密集但同样重要的变换数据预处理步骤，如 特征提取、特征缩放 和 降维，仅举几例。
也许你的预处理只需要其中一种转换，比如某种形式的缩放。但也许你需要将多个转换串联起来，并最终用某种估算器完成。这就是 Scikit-learn Pipelines 可以提供帮助的地方。
Scikit-learn 的 Pipeline 类 旨在以可管理的方式应用一系列 数据转换，然后应用 估算器。事实上，这就是它的全部功能：
转换管道与最终估算器。
就是这样。最终，这个简单的工具对以下内容非常有用：
-
创建连贯且易于理解的工作流的便利性
-
强制执行工作流实施和步骤应用的期望顺序
-
可重复性
-
持久化整个管道对象的价值（涉及到可重复性和便利性）
那么让我们快速了解管道。具体来说，我们将做以下事情。
构建 3 个管道，每个使用不同的估计器（分类算法），采用默认超参数：
为了演示管道转换，将进行：
-
特征缩放
-
降维，使用 PCA 将数据投影到二维空间
然后我们将以拟合我们的最终估计器来结束。
之后，几乎完全不相关，为了让它更像一个完整的工作流（虽然还不是，但更接近），我们将：
-
跟进评分测试数据
-
比较管道模型的准确性
-
确定“最佳”模型，即在我们的测试数据上准确度最高的模型
-
持久化（保存到文件）“最佳”模型的整个管道
当然，由于我们将使用默认超参数，这可能不会产生最准确的模型，但它会提供如何使用简单管道的感觉。我们将在之后回到更复杂的建模、超参数调整和模型评估的问题上。
哦，为了额外的简便，我们使用了鸢尾花数据集。代码注释完善，应该很容易跟随。
让我们运行我们的脚本，看看会发生什么。
$ python3 pipelines.pyLogistic Regression pipeline test accuracy: 0.933
Support Vector Machine pipeline test accuracy: 0.900
Decision Tree pipeline test accuracy: 0.867
Classifier with best accuracy: Logistic Regression
Saved Logistic Regression pipeline to file所以，这就是它；一个简单的 Scikit-learn 管道实现。在这个特定的案例中，我们基于逻辑回归的管道使用默认参数取得了最高准确率。
如上所述，这些结果可能并不代表我们的最佳努力。如果我们想测试一系列不同的超参数怎么办？我们可以使用网格搜索吗？我们可以引入自动化方法来调整这些超参数吗？AutoML 可以融入这个过程吗？使用交叉验证怎么样？
在接下来的几篇文章中，我们将关注这些额外的问题，并看看这些简单的部分如何组合在一起，使管道比初始示例看起来更强大。
相关：
-
掌握 Python 数据准备的 7 个步骤
-
从零开始的 Python 机器学习工作流第一部分：数据准备
-
从零开始的 Python 机器学习工作流第二部分：k-means 聚类