파이프라인을 사용해보자

sklearn.pipeline

• 데이터 전처리와 모델 학습을 하나의 워크플로우로 결합하고
• 하이퍼 파라미터 튜닝을 더 간편하게 수행할 수 있음 (set_params 사용)
  
  

✔️ 예시

ⅰ. 데이터 전처리(StandardScaler())와 모델 형성을 파이프라인으로 묶기

from sklearn.pipeline import Pipeline
from sklearn.tree import DecisionTreeClassifier
from sklearn.preprocessing import StandardScaler

estimators = [('scaler', StandardScaler()),
              ('clf', DecisionTreeClassifier())]

pipe = Pipeline(estimators)

print(pipe.steps)

결과)

[('scaler', StandardScaler()), ('clf', DecisionTreeClassifier())]

ⅱ. 파이프라인에서 set_params를 통한 모델 파라미터 설정

pipe.set_params(clf__max_depth=2)
pipe.set_params(clf__random_state=2024)

ⅲ. 파이프라인을 이용한 모델 훈련 및 모델 정확도 산출

from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=13, stratify=y)

pipe.fit(X_train, y_train)

y_pred_tr = pipe.predict(X_train)
y_pred_test = pipe.predict(X_test)

print('Train ACC : ', accuracy_score(y_train, y_pred_tr))
print('Test ACC : ', accuracy_score(y_test, y_pred_test))

결과)

Train ACC :  0.9657494708485664
Test ACC :  0.9576923076923077

ⅳ. 모델 구조 시각화

from graphviz import Source
from sklearn.tree import export_graphviz
>
Source(export_graphviz(pipe['clf'], feature_names=X.columns,
                       class_names=['W', 'R'],
                       rounded=True, filled=True))

결과)