请问一下如何去打造一种机器学习流水线？

　　现在的社会工业化大生产离不开流水线作业，有了流水线，我们可以轻松的制造出成千上万相同的产品，而且所需要的价格成本极大地下降，所以说，流水线操作，使得工业化生产水平极大的提高。
　　那么有没有可能将这种流水线的处理思想转移到机器学习领域了？我们可不可以将数据清洗-数据规整-数据处理-特征选择-监督学习-模型评估等一整套流程做成一条机器学习的流水线了？如果可以，那就能极大的节省我们打造一个AI模型的时间，极大的提高构建优秀AI的效率。
　　在此，【火炉炼AI】可以十分肯定的告诉你，这是可以的，而且打造这种机器学习流水线非常方便，只需要短短的五分钟即可。
　　1. 流水线第一步：准备数据集
　　数据集在本项目中反而不是很重要，故而我们用sklearn自带模块samples_generator生成一些示例数据即可。虽然numpy也在random模块中有随机产生数据集的函数，但是numpy比较适合用于产生一些简单的抽样数据。而sklearn中的datasets类却可以用来产生适合机器学习模型的数据集。
　　sklearn的datasets中常用的API有：
　　用make_regression 生成回归模型的数据
　　用make_hastie_10_2，make_classification或者make_multilabel_classification生成分类模型数据
　　用make_blobs生成聚类模型数据
　　用make_gaussian_quantiles生成分组多维正态分布的数据
　　# 准备数据集from sklearn.datasets import samples_generator# 使用这个函数产生示例数据X，y=samples_generator.make_classification（n_informative=4， n_features=20， n_redundant=0， random_state=5）# 产生一个分类数据集，包含有100个样本，20个features，2个类别，没有冗余特征。# print（X.shape） # （100， 20）# print（y.shape） # （100，）# print（X［：3］） # 查看没有问题2. 流水线第二步：构建特征选择器
　　在数据集准备完成之后，需要提取数据集中最重要的几个特征，即对我们的分类结果影响最大的几个主要特征，这样做可以减小模型的复杂程度，同时还能保持模型的预测精准度。sklearn框架也为我们准备好了特征选择函数SelectKBest（），我们只需要指定要选择的特征数K即可。如下为代码，非常简单。
　　# 建立特征选择器from sklearn.feature_selection import SelectKBest， f_regressionfeature_selector=SelectKBest（f_regression，k=10） # 一共20个特征向量，我们从中选择最重要的10个特征向量3. 流水线第三步：构建分类器
　　下一步，我们就需要构建分类器模型，前面在我的文章中讲到了很多分类器算法，比如SVM，随机森林，朴素贝叶斯等，此处我们构建一个简单的随机森林分类器作为例子。
　　# 建立分类器from sklearn.ensemble import RandomForestClassifierclassifier=RandomForestClassifier（n_estimators=50，max_depth=4）# 此处构建随机森林分类器作为例子，参数随便指定4. 流水线第四步：组装完整流水线
　　上面的几个步骤相当于建立各种产品处理模块，这一步我们就需要将这些模块组装起来，构建成一个可以完整运行的机器学习流水线。代码很简单，如下所示。
　　# 第四步：组装完整流水线from sklearn.pipeline import Pipelinepipeline=Pipeline（［（‘’selector‘’，feature_selector）， （‘’rf_classifier‘’，classifier）］）# 修改流水线中参数设置# 假如我们希望特征选择器不是选择10个特征，而是5个特征，# 同时分类器中的参数n_estimators也要修改一下，可以采用：pipeline.set_params（selector__k=5， rf_classifier__n_estimators=25）------------------------输---------出--------------------------------
　　Pipeline（memory=None，
　　steps=［（‘’selector‘’， SelectKBest（k=5， score_func=《function f_regression at 0x000000001891B7B8》））， （‘’rf_classifier‘’， RandomForestClassifier（bootstrap=True， class_weight=None， criterion=‘’gini‘’，
　　max_depth=4， max_features=‘’auto‘’， max_leaf_nodes=None，
　　min_impurity_decrease=0.0， min.。.n_jobs=1，
　　oob_score=False， random_state=None， verbose=0，
　　warm_start=False））］）
　　------------------------------完-------------------------------------
　　从上面的输出中可以看出，这个流水线中只有两个模块，一个是特征选择器selector，另外一个是分类器rf_classifier，各自分别的参数位于后面。
　　对于模型，最终都是要用数据集进行训练，并且用训练好的模型来对新样本做出预测。如下为代码：
　　# 将数据输入到流水线中pipeline.fit（X，y） # 对流水线进行训练predict_y=pipeline.predict（X） #用训练好的流水线预测样本# print（predict_y）# 评估该流水线的模型性能print（‘’pipeline model score： {：.3f}‘’.format（pipeline.score（X，y）））----------------------输---------出------------------------------
　　pipeline model score： 0.960
　　--------------------------完-------------------------------------
　　这个流水线模型在训练集上的得分为0.960，貌似性能还不错。
　　上面我们构建了一个特征选择器，但是怎么知道哪些特征被选择，哪些陪抛弃了？如下代码：
　　# 查看特征选择器选择的特征：feature_status=pipeline.named_steps［‘’selector‘’］.get_support（）# get_support（）会返回true/false，如果支持该feature，则为true.selected_features=［］for count，item in enumerate（feature_status）： if item： selected_features.append（count）print（‘’selected features by pipeline， （0-indexed）： /n{}‘’.format（ selected_features））复制代码--------------------输---------出--------------------------------
　　selected features by pipeline， （0-indexed）：［5， 9， 10， 11， 15］
　　--------------------------完-------------------------------------
　　由此可以看出，流水线自动选择了五个特征（我们前面指定了k=5），这最重要的五个特征分别是标号为5，9，10，11，15的特征。
　　########################小**********结###############################
　　1，打造机器学习流水线非常简单，只需要先构建机器学习的基本模块即可，然后将这些模块组装起来。
　　2，前面的特征提取器选择最重要特征的过程是先进行单变量统计测试，然后从特征向量中抽取最优秀的特征。这种测试之后，向量空间中的每个特征将有一个评价分数，基于这些评价分数，选择最好的K个特征，一旦抽取出K个特征，一旦K维的特征向量形成，就可以用这个特征向量用于分类器的输入训练数据。
　　3，打造这种流水线的优势有很多，可以简单快速的构建机器学习模型，可以方便的提取最重要的K个特征向量，可以快速的评估构建的模型，正所谓，这是个快速进行AI模型构建的必备良器。
　　#################################################################