CLI 与流水线

本章目标

1. 掌握 CLI 四种命令的用法和执行流程。
2. 了解全部 20 条流水线的配置速览。

---

1. CLI 入口

入口文件：main.py

1.1 命令一览

# 列出所有可用流水线
python main.py list

# 运行单个流水线
python main.py run <pipelineId>
python main.py run regression.linear_regression
python main.py run classification.svc
python main.py run probabilistic.hmm

# 运行一组流水线（按 domain 前缀筛选）
python main.py suite <groupName>
python main.py suite all              # 全部 20 条
python main.py suite classification   # 分类（6 条）
python main.py suite regression       # 回归（4 条）
python main.py suite ensemble         # 集成（4 条）
python main.py suite clustering       # 聚类（2 条）
python main.py suite dimensionality   # 降维（2 条）
python main.py suite probabilistic    # 概率模型（2 条）

# 仅做数据探索——加载数据并打印统计报告，不训练
python main.py analyze <pipelineId>

1.2 执行流程

main()
  ├─ list    → _printPipelineList()
  │             遍历 PIPELINE_REGISTRY → 按 ID 排序 → 逐条打印摘要
  │
  ├─ run     → _runPipeline(id)
  │             PIPELINE_REGISTRY.get(id)  → PipelineSpec
  │             DATASET_REGISTRY.get(datasetId) → DatasetSpec
  │             ensureOptionalDependencies()    → 检查可选依赖
  │             executePipeline(spec, ds)       → 分发到 Runner
  │
  ├─ suite   → _runSuite(group)
  │             按 domain 前缀筛选 pipelineId 列表
  │             逐个 _runPipeline() → 打印 [OK] / [FAIL] / [SKIP]
  │
  └─ analyze → _analyzePipeline(id)
               加载数据 → 构建探索报告 → 终端打印

1.3 可选依赖处理

部分流水线依赖可选第三方库：

依赖	涉及的流水线
hmmlearn	probabilistic.hmm
xgboost	ensemble.xgboost
lightgbm	ensemble.lightgbm

当可选依赖未安装时：

• CLI 打印 [SKIP] <pipelineId>: 缺少可选依赖 而非崩溃。
• suite 模式下其他流水线继续正常执行。

---

2. 全部流水线速览

2.1 分类（Classification）— 6 条

流水线 ID	模型	预处理	数据特点	独有可视化
classification.logistic_regression	LogisticRegression(max_iter=1000)	standardScaler	线性可分二分类	决策边界、ROC
classification.decision_tree	DecisionTreeClassifier(max_depth=6)	None	blob 多分类	决策边界、树结构
classification.svc	SVC(rbf, probability=True)	standardScaler	同心圆二分类	决策边界、ROC
classification.naive_bayes	GaussianNB	standardScaler	Iris 真实数据	决策边界
classification.knn	KNeighborsClassifier(5)	standardScaler	双月牙二分类	决策边界
classification.random_forest	RandomForestClassifier(100)	None	高维多分类	特征重要性、决策边界

2.2 回归（Regression）— 4 条

流水线 ID	模型	预处理	数据特点	独有可视化
regression.linear_regression	LinearRegression	None	合成线性房价（200 × 3）	学习曲线、系数对照
regression.svr	SVR(rbf, C=10, ε=0.1)	standardScaler	Friedman1 非线性（200 × 10）	学习曲线、支持向量数
regression.decision_tree	DecisionTreeRegressor(max_depth=6)	None	California Housing（20640 × 8）	学习曲线、树结构
regression.regularization	Lasso / Ridge / ElasticNet	standardScaler	diabetes + 共线 + 噪声（442 × 21）	多模型对比、近零系数

2.3 聚类（Clustering）— 2 条

流水线 ID	模型	预处理	数据特点	独有可视化
clustering.kmeans	KMeans	standardScaler	球形多簇	K 值扫描（惯性曲线）
clustering.dbscan	DBSCAN	standardScaler	双月牙非线性	ε 扫描、k-距离图

2.4 降维（Dimensionality）— 2 条

流水线 ID	模型	预处理	数据特点	独有可视化
dimensionality.pca	PCA	standardScaler	高维低秩合成	累计解释方差训练曲线
dimensionality.lda	LDA	standardScaler	Wine 真实数据（13 维 → 2 维）	分类评估（混淆矩阵 + ROC）

2.5 集成学习（Ensemble）— 4 条

流水线 ID	模型	预处理	数据特点	独有可视化
ensemble.bagging	BaggingClassifier(DT, n=30)	standardScaler	高噪声双月牙二分类	决策边界
ensemble.gbdt	GradientBoostingClassifier	standardScaler	中等难度多分类	特征重要性
ensemble.xgboost	XGBRegressor(n=300, lr=0.05)	None	回归数据	特征重要性
ensemble.lightgbm	LGBMClassifier(n=80)	standardScaler	高维四分类	特征重要性

2.6 概率模型（Probabilistic）— 2 条

流水线 ID	模型	预处理	数据特点	独有可视化
probabilistic.em	GaussianMixture	standardScaler	GMM 混合数据	分量数扫描（BIC/AIC）
probabilistic.hmm	CategoricalHMM	None	离散序列	无图形化输出（仅终端日志）

---

3. 回归流水线对比矩阵

四条回归流水线展示了四种典型的配置组合：

配置维度	线性回归	SVR	决策树回归	正则化回归
标准化	无	有	无	有
学习曲线	有	有	有	无
特征重要性	有（coef_）	无（RBF 核）	有	有
树结构	无	无	有	无
多模型	无	无	无	有（3 个）
训练函数行数	3	2	~5	~10