一个基于图的函数式 API，用于构建复杂的 scikit-learn 管道

baikal 完全用纯 Python 编写。它支持 Python 3.5 及以上版本。

注意：baikal 仍是一个年轻的项目，可能会出现不向后兼容的更改。接下来的开发步骤和不向后兼容的变更将在 此议题 中公布并讨论。如果您正在使用 baikal，请订阅该议题。

什么是 baikal？

baikal 是一个基于图的、函数式的 API，用于构建实现 scikit-learn API 的复杂机器学习管道。它主要受到优秀的 Keras 深度学习 API 的启发，并借鉴了 TensorFlow 框架以及（可能不太为人所知）的 graphkit 包中的一些概念。

baikal 的目标是提供一个 API，允许构建复杂的非线性机器学习管道，其结构如下所示：

对应的代码如下：

x1 = Input()
x2 = Input()
y_t = Input()

y1 = ExtraTreesClassifier()(x1, y_t)
y2 = RandomForestClassifier()(x2, y_t)
z = PowerTransformer()(x2)
z = PCA()(z)
y3 = LogisticRegression()(z, y_t)

ensemble_features = Stack()([y1, y2, y3])
y = SVC()(ensemble_features, y_t)

model = Model([x1, x2], y, y_t)

我可以用它做什么？

借助 baikal，您可以

• 轻松构建非线性管道
• 处理多个输入和输出
• 在管道中添加直接作用于目标变量的步骤
• 嵌套管道
• 将预测概率（或任何其他类型的输出）作为管道中其他步骤的输入
• 查询中间输出，便于调试
• 冻结无需拟合的步骤
• 轻松定义和添加自定义步骤
• 绘制管道图

所有这些操作都可以通过无样板、易读的代码完成。

为什么选择 baikal？

上述管道（据作者所知）无法轻易使用 scikit-learn 的复合估计器 API 构建，因为会遇到一些限制：

1. 它主要针对线性管道设计
   • 您可以使用 ColumnTransformer API 来实现一定程度的并行化，但这种方法仅限于转换器对象。
2. 分类器/回归器只能放在管道的末端
   • 这意味着我们无法将预测标签（或其概率）作为特征传递给其他分类器或回归器。
   • 您可以利用 mlxtend 的 StackingClassifier 并巧妙组合上述复合估计器（如 Pipeline、ColumnTransformer 和 StackingClassifier 等），但这可能会导致代码难以理解且冗长。
3. 无法处理多输入/多输出模型。

当然，您也可以定义一个大型的复合估计器类，通过组合的方式集成管道中的每个步骤。然而，这样做很可能需要：

• 编写庞大的 __init__ 方法来控制每个内部步骤的参数；
• 如果要使用 GridSearchCV 等工具，必须小心处理 get_params 和 set_params 方法；
• 如果想访问中间步骤的输出以进行调试，则还需要添加一些样板代码。

而使用上面示例中展示的 baikal，代码会更加易读、简洁，并且更接近我们对管道的心理认知。此外，baikal 还提供了一个 API，只需一条命令即可对整个管道进行拟合、预测和查询。

Baikal 快速上手指南

Baikal 是一个基于图的功能性 API，用于构建复杂的 scikit-learn 机器学习流水线。它受 Keras API 启发，允许你轻松构建非线性、多输入/多输出的机器学习模型，代码简洁且易于阅读。

环境准备

• 操作系统：支持 Linux, macOS, Windows
• Python 版本：Python 3.5 及以上
• 核心依赖：
  • scikit-learn (必须)
  • numpy, scipy, matplotlib (通常随 scikit-learn 安装或作为间接依赖)

注意：Baikal 目前仍处于早期开发阶段，API 可能存在不向后兼容的变更。建议在使用前关注其官方 GitHub 仓库的动态。

安装步骤

你可以使用 pip 或 conda 进行安装。国内开发者推荐使用清华源或阿里源以加速下载。

方式一：使用 pip 安装（推荐）

# 使用清华大学镜像源安装
pip install baikal -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 conda 安装

# 使用 conda-forge 频道安装
conda install -c conda-forge baikal

基本使用

Baikal 的核心概念是通过定义输入节点（Input）和连接各种 scikit-learn estimator（如分类器、回归器、转换器）来构建计算图，最后实例化为 Model。

以下是一个最简单的示例，展示如何构建一个包含多个输入和非线性连接的流水线：

from baikal import Input, Model
from sklearn.ensemble import ExtraTreesClassifier, RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.preprocessing import PowerTransformer
from sklearn.decomposition import PCA
from baikal.steps import Stack

# 1. 定义输入节点
# x1, x2 为特征输入，y_t 为目标变量输入
x1 = Input()
x2 = Input()
y_t = Input()

# 2. 构建流水线步骤
# 并行处理两个不同的特征输入
y1 = ExtraTreesClassifier()(x1, y_t)
y2 = RandomForestClassifier()(x2, y_t)

# 对 x2 进行非线性变换和降维
z = PowerTransformer()(x2)
z = PCA()(z)
y3 = LogisticRegression()(z, y_t)

# 3. 集成步骤：将多个模型的输出堆叠在一起
ensemble_features = Stack()([y1, y2, y3])

# 4. 最终预测层
y = SVC()(ensemble_features, y_t)

# 5. 实例化模型
# 指定输入列表和最终输出
model = Model([x1, x2], y, y_t)

# 6. 使用模型 (假设 X1_data, X2_data, y_target 是你的 numpy 数组)
# model.fit([X1_data, X2_data], y_target)
# predictions = model.predict([X1_data, X2_data])

代码说明：

• Input(): 创建数据入口点，类似于 Keras 中的 Input 层。
• Estimator(): 直接调用 scikit-learn 的类（如 ExtraTreesClassifier()），传入上游节点作为参数，即可将其连接到图中。
• Stack(): Baikal 提供的特殊步骤，用于将多个分支的输出合并为一个特征矩阵，常用于堆叠泛化（Stacking）。
• Model(inputs, outputs, targets): 将整个图封装为一个可训练、可预测的模型对象。第一个参数是特征输入列表，第二个是最终输出节点，第三个是目标变量节点。

通过这种方式，你可以自由地组合任何遵循 scikit-learn 接口的对象，构建出传统 Pipeline 无法实现的复杂拓扑结构。