Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Leer Challenge: Creating a Complete ML Pipeline | Pipelines
ML Introduction with scikit-learn

Veeg om het menu te tonen

book
Challenge: Creating a Complete ML Pipeline

Now let's create a proper pipeline with the final estimator. As a result, we will get a trained prediction pipeline that can be used for predicting new instances simply by calling the .predict() method.

To train a predictor (model), you need y to be encoded. This is done separately from the pipeline we build for X. Remember that LabelEncoder is used for encoding the target.

Taak

Swipe to start coding

You have the same penguins dataset. The task is to build a pipeline with KNeighborsClassifier as a final estimator, train it, and predict values for the X itself.

  1. Encode the y variable.
  2. Create a pipeline containing ct, SimpleImputer, StandardScaler, and KNeighborsClassifier.
  3. Train the pipe object using the features X and the 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!

Sectie 3. Hoofdstuk 6
Onze excuses dat er iets mis is gegaan. Wat is er gebeurd?

Vraag AI

expand
ChatGPT

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

book
Challenge: Creating a Complete ML Pipeline

Now let's create a proper pipeline with the final estimator. As a result, we will get a trained prediction pipeline that can be used for predicting new instances simply by calling the .predict() method.

To train a predictor (model), you need y to be encoded. This is done separately from the pipeline we build for X. Remember that LabelEncoder is used for encoding the target.

Taak

Swipe to start coding

You have the same penguins dataset. The task is to build a pipeline with KNeighborsClassifier as a final estimator, train it, and predict values for the X itself.

  1. Encode the y variable.
  2. Create a pipeline containing ct, SimpleImputer, StandardScaler, and KNeighborsClassifier.
  3. Train the pipe object using the features X and the 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!

Sectie 3. Hoofdstuk 6
Switch to desktopSchakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande opties
Onze excuses dat er iets mis is gegaan. Wat is er gebeurd?
some-alt