如何将 sklearn 管道存储在字典中？

Question

我试图适应各种管道并将它们存储在字典中，但是每当我从字典中调用特定模型时，它总是返回最后一个管道。如何正确地将管道存储在字典中？for var in vars:    X = X_train[X_train.columns[X_train.columns.str.contains(var)]]    y = Y_train[var]     pipe = Pipeline([('scaler', scaler), ('clf', classifier)])    models[var] = [X.columns,pipe.fit(X,y)]

Answer 1

将模型存储在字典中的一般方法：

from sklearn.linear_model import LinearRegression

from sklearn import svm

X = [some features]

y = [some labels]

models_dictionary = {}

clf_1 = LinearRegression()

clf_2 = svm.SVR()

models_dictionary["Linear_Regression"] = clf_1

models_dictionary["Support_Vector _Machine"] = clf_2 

# training all models:

for model in models_dictionary:

    models_dictionay[model].fit(X, y)

你的代码：

pipe.fit(X,y)是一个就地功能，这就是您的问题所在。

而不是这一行：

models[var] = [X.columns,pipe.fit(X,y)]

用这个：

pipe.fit(X,y)

models[var] = [X.columns,pipe]

因为pipe.fit(X,y)不返回模型，它只适合存储在pipe.

那么您将能够使用任何管道直接从 预测值models，执行以下操作：

y_predictions = models[some_var][1].predict(X_test)