Lernen Herausforderung: Erstellung Einer Vollständigen ML-Pipeline

Erstellen Sie nun eine Pipeline, die einen finalen Schätzer enthält. Dies ergibt eine trainierte Vorhersagepipeline, die mit der Methode .predict() Vorhersagen für neue Instanzen generieren kann.

Da ein Prädiktor die Zielvariable y benötigt, kodieren Sie diese separat von der für X erstellten Pipeline. Verwenden Sie LabelEncoder, um das Ziel zu kodieren.

Hinweis

Da die Vorhersagen als kodiert in 0, 1 oder 2 vorliegen, kann die Methode .inverse_transform() von LabelEncoder verwendet werden, um sie zurück in die ursprünglichen Labels zu konvertieren: 'Adelie', 'Chinstrap' oder 'Gentoo'.

Aufgabe

Swipe to start coding

Sie erhalten ein DataFrame namens df, das Pinguindaten enthält. Ihre Aufgabe ist es, eine vollständige Machine-Learning-Pipeline zu erstellen und zu trainieren, die die Daten vorverarbeitet und ein KNeighborsClassifier-Modell anwendet.

Kodieren Sie die Zielvariable y mit der Klasse LabelEncoder.
Erstellen Sie einen ColumnTransformer namens ct, der einen OneHotEncoder auf die Spalten 'island' und 'sex' anwendet, während die übrigen Spalten unverändert bleiben (remainder='passthrough').
Erstellen Sie eine Pipeline, die folgende Schritte in der angegebenen Reihenfolge enthält:

Den von Ihnen definierten ColumnTransformer (ct);
Einen SimpleImputer mit dem Parameter strategy auf 'most_frequent' gesetzt;
- Einen StandardScaler zur Merkmals-Skalierung;
Einen KNeighborsClassifier als finales Modell.

Trainieren Sie die Pipeline mit den Merkmalen X und dem Ziel y.
Erzeugen Sie Vorhersagen für X mit der trainierten Pipeline und geben Sie die dekodierten Klassennamen aus.

Lösung

War alles klar?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 6

single

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Awesome!

Completion rate improved to 3.13

Swipe um das Menü anzuzeigen