Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Desafio: Criando um Pipeline Completo de ML | Pipelines
Introdução ao ML com Scikit-Learn

bookDesafio: Criando um Pipeline Completo de ML

Agora, vamos criar um pipeline adequado com o estimador final. Como resultado, teremos um pipeline de predição treinado que pode ser utilizado para prever novas instâncias simplesmente chamando o método .predict().

Para treinar um preditor (modelo), é necessário que y esteja codificado. Isso é feito separadamente do pipeline que construímos para X. Lembre-se de que o LabelEncoder é utilizado para codificar o alvo.

Tarefa

Swipe to start coding

Você tem o mesmo conjunto de dados de pinguins. A tarefa é construir um pipeline com KNeighborsClassifier como estimador final, treiná-lo e prever valores para o próprio X.

  1. Codificar a variável y.
  2. Criar um pipeline contendo ct, SimpleImputer, StandardScaler e KNeighborsClassifier.
  3. Utilizar a estratégia 'most_frequent' com o SimpleInputer.
  4. Treinar o objeto pipe utilizando as features X e o alvo y.

Solução

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 3. Capítulo 6
single

single

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

close

Awesome!

Completion rate improved to 3.13

bookDesafio: Criando um Pipeline Completo de ML

Deslize para mostrar o menu

Agora, vamos criar um pipeline adequado com o estimador final. Como resultado, teremos um pipeline de predição treinado que pode ser utilizado para prever novas instâncias simplesmente chamando o método .predict().

Para treinar um preditor (modelo), é necessário que y esteja codificado. Isso é feito separadamente do pipeline que construímos para X. Lembre-se de que o LabelEncoder é utilizado para codificar o alvo.

Tarefa

Swipe to start coding

Você tem o mesmo conjunto de dados de pinguins. A tarefa é construir um pipeline com KNeighborsClassifier como estimador final, treiná-lo e prever valores para o próprio X.

  1. Codificar a variável y.
  2. Criar um pipeline contendo ct, SimpleImputer, StandardScaler e KNeighborsClassifier.
  3. Utilizar a estratégia 'most_frequent' com o SimpleInputer.
  4. Treinar o objeto pipe utilizando as features X e o alvo y.

Solução

Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

close

Awesome!

Completion rate improved to 3.13
Seção 3. Capítulo 6
single

single

some-alt