Leer Uitdaging: Het Creëren van een Volledige ML-Pijplijn

Maak nu een pipeline die een finale estimator bevat. Dit resulteert in een getrainde predictiepipeline 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.

Opmerking

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

Taak

Swipe to start coding

Je krijgt een DataFrame genaamd df met gegevens over pinguïns. Je opdracht is om een volledige machine learning-pijplijn te bouwen en te trainen die de data preprocesset en een KNeighborsClassifier-model toepast.

Encodeer de doelvariabele y met behulp van de klasse LabelEncoder.
Maak een ColumnTransformer genaamd ct die een OneHotEncoder toepast op de kolommen 'island' en 'sex', terwijl de overige kolommen onveranderd blijven (remainder='passthrough').
Maak een pijplijn die de volgende stappen in deze volgorde bevat:

De door jou gedefinieerde ColumnTransformer (ct);
Een SimpleImputer met de parameter strategy ingesteld op 'most_frequent';
Een StandardScaler voor feature scaling;
Een KNeighborsClassifier als eindmodel.

Train de pijplijn op de features X en de target y.
Genereer voorspellingen voor X met de getrainde pijplijn en print de gedecodeerde klassenamen.

Oplossing

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 3. Hoofdstuk 6

single

Vraag AI

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

Suggested prompts:

How do I use LabelEncoder to encode the target variable?

Can you show me how to add a final estimator to the pipeline?

What is the purpose of encoding the target variable separately from the features?

Awesome!

Completion rate improved to 3.13

Veeg om het menu te tonen