[解決済み] scikitのpipelineとmake_pipelineの違いは何ですか？

質問

sklearnのウェブページから入手しました。

• パイプライン : 最終的な推定を伴う変換のパイプライン

• メイクパイプライン : 与えられた推定値からパイプラインを構築する．これはPipelineコンストラクタの省略形である．

しかし、それぞれをどのような場合に使用しなければならないのか、まだ理解できていません。どなたか例を挙げていただけませんか？

どのように解決するのですか？

唯一の違いは make_pipeline は、ステップの名前を自動的に生成します。

ステップ名は、例えば、モデル選択ユーティリティ（GridSearchCVなど）でパイプラインを使用する場合に必要です。グリッドサーチでは、パイプラインの様々なステップにパラメータを指定する必要があります。

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

make_pipelineと比較してみてください。

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

ということで Pipeline :

• の名前は明示されているので、必要であれば把握する必要はない。
• ステップで使用する estimator/transformer を変更しても名前は変わりません。例えば LogisticRegression() を LinearSVC() に変更しても clf__C .

make_pipeline :

• より短く、間違いなく読みやすい記法です。
• の名前は簡単なルールで自動生成される（推定量名は小文字）。

いつ使うかはあなた次第です :) 私は、手っ取り早く実験したいときはmake_pipeline、より安定したコードにしたいときはPipelineを使います。経験則としては、IPython Notebook -> make_pipeline; Python module in a larger project -> Pipeline。しかし、モジュールではmake_pipelineを、短いスクリプトやノートブックではPipelineを使うことは、確かに大したことではありません。