Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Leer Uitdaging: Het Creëren van een Volledige ML-Pijplijn | Pipelines
ML Introductie Met Scikit-learn

bookUitdaging: Het Creëren van een Volledige ML-Pijplijn

Laten we nu een correcte pipeline maken met de uiteindelijke estimator. Hierdoor verkrijgen we een getrainde voorspellingspipeline die gebruikt kan worden om nieuwe instanties te voorspellen door eenvoudigweg de .predict()-methode aan te roepen.

Om een voorspeller (model) te trainen, moet y gecodeerd zijn. Dit gebeurt afzonderlijk van de pipeline die we voor X bouwen. Onthoud dat LabelEncoder wordt gebruikt voor het coderen van de doelvariabele.

Taak

Swipe to start coding

Je hebt dezelfde penguins dataset. De opdracht is om een pipeline te bouwen met KNeighborsClassifier als uiteindelijke estimator, deze te trainen en voorspellingen te doen voor X zelf.

  1. Encodeer de y-variabele.
  2. Maak een pipeline met ct, SimpleImputer, StandardScaler en KNeighborsClassifier.
  3. Gebruik de strategie 'most_frequent' met SimpleInputer.
  4. Train het pipe-object met de features X en de target y.

Oplossing

Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 3. Hoofdstuk 6
single

single

Vraag AI

expand

Vraag AI

ChatGPT

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

close

Awesome!

Completion rate improved to 3.13

bookUitdaging: Het Creëren van een Volledige ML-Pijplijn

Veeg om het menu te tonen

Laten we nu een correcte pipeline maken met de uiteindelijke estimator. Hierdoor verkrijgen we een getrainde voorspellingspipeline die gebruikt kan worden om nieuwe instanties te voorspellen door eenvoudigweg de .predict()-methode aan te roepen.

Om een voorspeller (model) te trainen, moet y gecodeerd zijn. Dit gebeurt afzonderlijk van de pipeline die we voor X bouwen. Onthoud dat LabelEncoder wordt gebruikt voor het coderen van de doelvariabele.

Taak

Swipe to start coding

Je hebt dezelfde penguins dataset. De opdracht is om een pipeline te bouwen met KNeighborsClassifier als uiteindelijke estimator, deze te trainen en voorspellingen te doen voor X zelf.

  1. Encodeer de y-variabele.
  2. Maak een pipeline met ct, SimpleImputer, StandardScaler en KNeighborsClassifier.
  3. Gebruik de strategie 'most_frequent' met SimpleInputer.
  4. Train het pipe-object met de features X en de target y.

Oplossing

Switch to desktopSchakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande opties
Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

close

Awesome!

Completion rate improved to 3.13
Sectie 3. Hoofdstuk 6
single

single

some-alt