Haaste: Täydellisen ML-putken Luominen
Luo nyt putki, joka sisältää lopullisen estimointimenetelmän. Tämä tuottaa koulutetun ennustavan putken, joka voi tuottaa ennusteita uusille havaintoarvoille käyttämällä .predict()-metodia.
Koska ennustaja vaatii kohdemuuttujan y, koodaa se erikseen X:lle rakennetusta putkesta. Käytä LabelEncoder-luokkaa kohteen koodaamiseen.
Koska ennusteet ovat koodattuina arvoina 0, 1 tai 2, .inverse_transform()-luokan LabelEncoder-metodia voidaan käyttää niiden muuntamiseen takaisin alkuperäisiksi luokiksi: 'Adelie', 'Chinstrap' tai 'Gentoo'.
Swipe to start coding
Käytä penguins dataset -aineistoa rakentaaksesi pipeline, jonka lopullisena estimaattorina toimii KNeighborsClassifier. Kouluta pipeline aineistolla ja tuota ennusteet muuttujalle X.
- Koodaa
y-muuttuja. - Luo pipeline, joka sisältää
ct,SimpleImputer,StandardScalerjaKNeighborsClassifier. - Käytä
'most_frequent'-luokan kanssa strategiaaSimpleInputer. - Kouluta
pipe-olio käyttäen piirteitäXja tavoitettay.
Ratkaisu
Kiitos palautteestasi!
single
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 3.13
Haaste: Täydellisen ML-putken Luominen
Pyyhkäise näyttääksesi valikon
Luo nyt putki, joka sisältää lopullisen estimointimenetelmän. Tämä tuottaa koulutetun ennustavan putken, joka voi tuottaa ennusteita uusille havaintoarvoille käyttämällä .predict()-metodia.
Koska ennustaja vaatii kohdemuuttujan y, koodaa se erikseen X:lle rakennetusta putkesta. Käytä LabelEncoder-luokkaa kohteen koodaamiseen.
Koska ennusteet ovat koodattuina arvoina 0, 1 tai 2, .inverse_transform()-luokan LabelEncoder-metodia voidaan käyttää niiden muuntamiseen takaisin alkuperäisiksi luokiksi: 'Adelie', 'Chinstrap' tai 'Gentoo'.
Swipe to start coding
Käytä penguins dataset -aineistoa rakentaaksesi pipeline, jonka lopullisena estimaattorina toimii KNeighborsClassifier. Kouluta pipeline aineistolla ja tuota ennusteet muuttujalle X.
- Koodaa
y-muuttuja. - Luo pipeline, joka sisältää
ct,SimpleImputer,StandardScalerjaKNeighborsClassifier. - Käytä
'most_frequent'-luokan kanssa strategiaaSimpleInputer. - Kouluta
pipe-olio käyttäen piirteitäXja tavoitettay.
Ratkaisu
Kiitos palautteestasi!
single