scikit中的pipeline和make_pipeline有什么区别？

Question

我是从sklearn网页上得到的：

a）管道：使用最终估算器进行变换的管道

b）Make_pipeline：根据给定的估算器构造一个管道。这是Pipeline构造函数的简写。

但是当我必须使用每一个时，我仍然不明白。谁能举个例子呢？

Answer 1

唯一的区别是make_pipeline会自动为步骤生成名称。

需要步骤名称，例如如果要使用具有模型选择实用程序的管道（例如GridSearchCV）。使用网格搜索，您需要为管道的各个步骤指定参数：

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

将它与make_pipeline进行比较：

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

所以，Pipeline：

• 名称是明确的，如果您需要，您无需弄明白;
如果更改步骤中使用的估算器/变换器，则
• 名称不会更改，例如如果用LinearSVC（）替换LogisticRegression（），你仍然可以使用clf__C。

make_pipeline：

• 更短且可以说是更具可读性的符号;
• 使用简单的规则（估算器的小写名称）自动生成名称。

何时使用它们取决于你:)我更喜欢make_pipeline用于快速实验和Pipeline用于更稳定的代码;经验法则：IPython Notebook - ＆gt; make_pipeline;更大项目中的Python模块 - ＆gt;管道。但是在短脚本或笔记本中的模块或管道中使用make_pipeline肯定不是什么大问题。