本文主要是介绍机器学习代码的书写，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
2019/04/17
最近在进行实验的过程中，一直都真是实验型的代码，走一步看一下输出的结果。
特别是多个分类器的时候，更是每个分类器单独写这个东西。
很早就已经接触到了pipline的概念，只不过我一直没用过，也没有具体的实践过。（还是没有彻底理解，为什么要用这个东西，有的说这样可以避免数据泄露，并且就是整个流程都是自动化的，不过这个说法并没有说服我，可能后续这方面的好处还是得自己慢慢来发现。）但的确，我觉得我现在这种写代码的方式，整体的结构很不合格的。下面来总结下，最近看到了一些关于这方面的内容：
-
比较多个分类器的性能[1]
这个文章的内容很简单，主要是为了更直观的对比多个分类器的性能，因为他的交叉验证的函数的种子是固定的，所以多个分类器是具有可比性的，而且下面这个图非常直观。多个分类器对比[1] -
对比多个分类器，并带有参数
文章[1]中只是对比了多个默认参数的函数，并没有对参数进行调优，文章[2]中设计了一个类，将参数调优结合到了这个里面，最后集体打印所有的算法进行对比。 -
sklearn-helper
文章[3]的内容跟文章[2]很像，不过没有调优的部分，就是简单的信息输出helper -
pipeline的使用
文章[4]介绍了pipeline的使用使用过程，这个是一系列的第三部分，主要集中在实际的代码操作上。更基础的内容可看文章[5]
`
参考文献
[1]compare-machine-learning-algorithms-python-scikit-learn/
[2]model_optimization
[3]scikit-learn-helper
[4]managing-machine-learning-workflows-scikit-learn-pipelines-part-3
[5]learn-how-to-build-flexible-machine-learning-pipelines-in-sklearn/
这篇关于机器学习代码的书写的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
