scikit-learn管道Pipeline写法

之前一直用老方案，最近换了新方法确实方便不少。对比一下两种做法，给还在犹豫的朋友一个参考。

先搞清楚原理

先说基本原理。scikit-learn的核心思路是模型训练与验证。简单来说就是：把输入经过一系列变换，最终得到想要的结果。这个过程可以用下面的代码来理解：

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

fig, axes = plt.subplots(1, 2, figsize=(12, 5))

x = np.linspace(0, 10, 100)
axes[0].plot(x, np.sin(x + 2 * 0.1), label='sin(x)')
axes[0].plot(x, np.cos(x + 2 * 0.1), label='cos(x)')
axes[0].set_title('三角函数')
axes[0].legend()

categories = ['A', 'B', 'C', 'D']
values = [25, 47, 58, 80]
axes[1].bar(categories, values, color=['#3b82f6', '#10b981', '#f59e0b', '#ef4444'])
axes[1].set_title('分类数据')

plt.tight_layout()
plt.savefig('analysis_2.png', dpi=150)
print('图表已保存')

实际怎么用

实际编码中，scikit-learn的用法可以简化。下面是我在项目中用的写法，经过几轮迭代优化过：

from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np

X = np.random.randn(1000, 20)
y = X[:, 0] * 2 + X[:, 1] * 0.5 + np.random.randn(1000) * 0.1

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=9)

model = GradientBoostingRegressor(n_estimators=100, random_state=9)
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
r2 = r2_score(y_test, y_pred)
print(f'RMSE: {rmse:.4f}, R2: {r2:.4f}')

if hasattr(model, 'feature_importances_'):
    top5 = np.argsort(model.feature_importances_)[-5:][::-1]
    print(f'Top5特征: {top5}')

进阶一点的用法

进阶一点的话，scikit-learn还有模型训练与验证这个方向可以探索。原理不展开，直接看关键代码：

容易踩的坑

总结几个实际项目中的教训：scikit-learn在模型调优上容易出问题。建议写单元测试覆盖这些边界情况，免得线上出故障才后悔。

写在最后

scikit-learn的要点就这些。核心是模型调优，其他都是围绕这个展开的。代码已经贴在前面了，照着跑一遍基本就能上手。后续有新的发现再更新。