Erstellen wir nun eine vollständige Pipeline mit dem **finalen Schätzer**. Dadurch erhalten wir eine trainierte Vorhersagepipeline, die für die Vorhersage neuer Instanzen einfach durch Aufruf der Methode `.predict()` verwendet werden kann.  

Um einen Prädiktor (Modell) zu trainieren, muss `y` codiert werden. Dies geschieht **separat** von der Pipeline, die wir für `X` erstellen. Beachten Sie, dass der `LabelEncoder` für die Codierung des **Zielwerts** verwendet wird.

Maschinelles Lernen wird mittlerweile überall eingesetzt. Möchten Sie es selbst erlernen? Dieser Kurs bietet eine Einführung in die Welt des maschinellen Lernens, vermittelt grundlegende Konzepte, die Arbeit mit Scikit-learn – der beliebtesten Bibliothek für ML – und ermöglicht den Aufbau Ihres ersten Machine-Learning-Projekts.
Der Kurs richtet sich an Studierende mit Grundkenntnissen in Python, Pandas und Numpy.

Erlernen der Konzepte des maschinellen Lernens und des Workflows von ML-Projekten.

Die Vorverarbeitung ist wahrscheinlich die wichtigste Phase eines ML-Projekts. Dieses Kapitel behandelt die notwendigen Vorverarbeitungsschritte für nahezu jedes Datenset.

Eine Pipeline ist eine elegante Methode, um alle Vorverarbeitungsschritte sowie ein Modell zu kombinieren. Pipelines erleichtern das Trainieren und Anwenden eines Modells erheblich.

Die Modellierung ist die spannendste Phase eines ML-Projekts. Lernen Sie, das Modell zu erstellen, zu optimieren und zu evaluieren!

Herausforderung: Erstellung Einer Vollständigen ML-Pipeline

Lösung

Awesome!

Herausforderung: Erstellung Einer Vollständigen ML-Pipeline

Lösung

Awesome!