管道

本课属于 Coddy Machine Learning 学习旅程的“监督学习”单元。第 45 课，共 58 课。

真实的数据表往往有缺失值、文本和不同的量纲。本章会创建一个既能清理数据又能进行预测的对象，也就是流水线：

示意图标题：输入原始列，输出预测结果。带缺失值的数字沿一条通道传递，由 SimpleImputer 填补缺失值，然后经过 StandardScaler。文本沿另一条通道传递，OneHotEncoder 将其转换为 0 和 1。两条通道在模型处汇合。步骤外有一个虚线框，标注为一个流水线：先拟合，再预测

从简单的开始：make_pipeline 将缩放器和模型串联起来：

from sklearn.pipeline import make_pipeline

pipe = make_pipeline(StandardScaler(), KNeighborsClassifier())
pipe.fit(X_train, y_train)
print(pipe.score(X_test, y_test))

对于 200 个测试焊缝，无论强弱，缩放后都会输出 0.86，未缩放时为 0.74。

fit 从训练行中学习缩放方式，然后进行训练。之后的每一行都会自动按相同的方式缩放。

挑战

中等

一家热气球公司每天晚上都会决定明天是否适合飞行。初始代码手动进行缩放：测试准确率不错，但天气预报数据从未进行缩放，因此无论天气如何，它都会输出 yes。

将它替换为一个流水线，先进行缩放，再使用 k-NN，并用训练行进行拟合。
输出它的测试准确率，并用它判断天气预报。

另一家公司的某天数据：20、32、7000、9：

Test accuracy: 0.880
Flying day: no

亲手试试

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.pipeline import make_pipeline

# 热气球公司过去每天的记录：适合飞行（1）或不适合飞行（0）
days = pd.read_csv("balloons.csv")
X = days[["wind_kmh", "gusts_kmh", "visibility_m", "passengers"]].to_numpy()
y = days["flying_day"].to_numpy()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# 明天的天气预报：风速、阵风风速、能见度，以及已预订的乘客人数
day = np.array([[float(input()), float(input()), float(input()), float(input())]])

# 手动进行标准化：评分看起来不错，但预测数据始终没有经过标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
model = KNeighborsClassifier()
model.fit(X_train_scaled, y_train)
print(f"Test accuracy: {model.score(X_test_scaled, y_test):.3f}")
if model.predict(day)[0] == 1:
    print("Flying day: yes")
else:
    print("Flying day: no")