fit ve predict
- Makine Öğrenmesi kursu
- Orta seviye
- Ders 9/112
- 5 dk
Pipeline'da fit() tüm adımları eğitir, predict() tüm adımları uygular.
fit ve predict akışı
pipe.fit(X, y) çağrısında her dönüştürücü için fit_transform çağrılır ve sonuç bir sonraki adıma geçer; son adımda yalnızca fit çağrılır. pipe.predict(X) ise her dönüştürücüde yalnızca transform çağırır:
# fit: X -> doldur.fit_transform -> olcek.fit_transform -> model.fit
# predict: X -> doldur.transform -> olcek.transform -> model.predictPipeline, son adımın sunduğu tüm yöntemleri sunar: predict_proba, decision_function, score.
Ara sonucu görmek
Alt pipeline ile dönüştürülmüş veriye bakmak hata ayıklamayı kolaylaştırır. Örneğin ölçeklemenin gerçekten ortalamayı sıfırladığını doğrulamak için:
Z = pipe[:-1].transform(X_train)
print(Z.mean(axis=0).round(3)[:3]) # [0. 0. 0.]
print(Z.shape)pipe[:-1] yeni bir nesne değil, aynı eğitilmiş adımları paylaşan bir görünümdür.
Uygulama Doldur, ölçekle, tahmin et
Eksik değerli X için SimpleImputer(strategy="mean"), StandardScaler() ve LogisticRegression() içeren bir make_pipeline kur ve eğit. [[np.nan, 3.0]] için tahmini, ardından pipe[:-1].transform([[np.nan, 3.0]]) sonucunu np.round(..., 3) ile yazdır.
Başlangıç kodu
import numpy as np
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
X = np.array([[1.0, 1.0], [2.0, np.nan], [3.0, 2.0], [7.0, 6.0], [8.0, 7.0], [np.nan, 8.0]])
y = np.array([0, 0, 0, 1, 1, 1])
# buraya yazÖrnek çözüm
import numpy as np
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
X = np.array([[1.0, 1.0], [2.0, np.nan], [3.0, 2.0], [7.0, 6.0], [8.0, 7.0], [np.nan, 8.0]])
y = np.array([0, 0, 0, 1, 1, 1])
pipe = make_pipeline(SimpleImputer(strategy="mean"), StandardScaler(), LogisticRegression()).fit(X, y)
print(pipe.predict([[np.nan, 3.0]]))
print(np.round(pipe[:-1].transform([[np.nan, 3.0]]), 3))Beklenen çıktı
[0] [[ 0. -0.708]]
Soru ve cevaplar
Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.
1 <code>pipe.predict(X_test)</code> sırasında <code>StandardScaler</code> hangi yöntemi çalıştırır?
- transform Doğru cevap
- fit_transform
- fit
- predict
Açıklama: Tahmin aşamasında hiçbir adım yeniden öğrenmez.
2 Modelden önceki dönüşümleri uygula.
Z = pipe____.transform(X_test)Z = pipe[:-1].transform(X_test)Açıklama: pipe[:-1] son adım hariç tüm dönüştürücüleri içerir.
3 Akışları eşleştir.
| Kavram | Anlamı |
|---|---|
pipe.fit |
Dönüştürücülerde fit_transform |
pipe.predict |
Dönüştürücülerde transform |
pipe.predict_proba |
Son adımın olasılığı |
pipe[:-1] |
Ara veri |