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

Maak nu een pipeline die een eindschatter bevat. Dit resulteert in een getrainde voorspellingspipeline die voorspellingen kan genereren voor nieuwe instanties met behulp van de .predict()-methode.

Omdat een voorspeller de doelvariabele y vereist, codeer deze afzonderlijk van de pipeline die voor X is gebouwd. Gebruik LabelEncoder om de doelvariabele te coderen.

Note
Opmerking

Omdat de voorspellingen gecodeerd zijn als 0, 1 of 2, kan de .inverse_transform()-methode van LabelEncoder worden gebruikt om ze terug te zetten naar de oorspronkelijke labels: 'Adelie', 'Chinstrap' of 'Gentoo'.

Taak

Swipe to start coding

Gebruik de penguins dataset om een pipeline te bouwen met KNeighborsClassifier als uiteindelijke estimator. Train de pipeline op de dataset en genereer voorspellingen voor X.

  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

Maak nu een pipeline die een eindschatter bevat. Dit resulteert in een getrainde voorspellingspipeline die voorspellingen kan genereren voor nieuwe instanties met behulp van de .predict()-methode.

Omdat een voorspeller de doelvariabele y vereist, codeer deze afzonderlijk van de pipeline die voor X is gebouwd. Gebruik LabelEncoder om de doelvariabele te coderen.

Note
Opmerking

Omdat de voorspellingen gecodeerd zijn als 0, 1 of 2, kan de .inverse_transform()-methode van LabelEncoder worden gebruikt om ze terug te zetten naar de oorspronkelijke labels: 'Adelie', 'Chinstrap' of 'Gentoo'.

Taak

Swipe to start coding

Gebruik de penguins dataset om een pipeline te bouwen met KNeighborsClassifier als uiteindelijke estimator. Train de pipeline op de dataset en genereer voorspellingen voor X.

  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