Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Desafio do Estimador Final | Pipelines
course content

Conteúdo do Curso

ML Introduction with scikit-learn

1. Conceitos de Aprendizado de Máquina

O que é MLTipos de Aprendizado de MáquinaConjunto de TreinamentoTipos de DadosFluxo de Trabalho de Aprendizado de Máquina

2. Pré-processamento de Dados com Scikit-learn

Conceitos do Scikit-learnFamiliarizando-se com o Conjunto de DadosLidando com Valores AusentesDesafio de ImputaçãoCodificadorOrdinalCodificador One-HotCodificadorDeEtiquetasDesafio de CodificaçãoPor Que Escalar os Dados?StandardScaler, MinMaxScaler, MaxAbsScalerDesafio de EscalabilidadeResumo de Pré-processamento

3. Dutos

O que é PipelineTransformadorDeColunaDutoDesafio de Criação de um PipelineEstimador FinalDesafio do Estimador Final

4. Modelagem

ModelosClassificadorKNeighborsAvaliando um Modelo. Divisão Treino-Teste.Validação CruzadaDesafio de Validação CruzadaGridSearchCVO Defeito do GridSearchCVDesafio de Ajuste de Hiperparâmetros com RandomizedSearchCVResumo da ModelagemUnindo Tudo

ML Introduction with scikit-learn

Desafio do Estimador FinalDesafio do Estimador Final

Agora vamos construir um pipeline adequado com o estimador final. Como resultado, obteremos um pipeline de previsão treinado que pode ser usado para prever novas instâncias simplesmente chamando o método .predict(). Para treinar um preditor (modelo), você precisa que y seja codificado. Isso é feito separadamente do Pipeline que construímos para X. Lembre-se de que o LabelEncoder é usado para codificar o alvo.

Você tem o mesmo conjunto de dados de Penguins. A tarefa é construir uma pipeline com KNeighborsClassifier como estimador final, treiná-la e prever valores para o próprio X. Como as previsões serão codificadas (0, 1 ou 2), usaremos o método .inverse_transform() do LabelEncoder para reverter as previsões para 'Adelie', 'Chinstrap' ou 'Gentoo'.

Tarefa

  1. Codifique a variável y usando o LabelEncoder.
  2. Crie um pipeline contendo ct, SimpleImputer, StandardScaler e KNeighborsClassifier (nessa ordem).
  3. Treine o objeto pipe.

Tudo estava claro?

Seção 3. Capítulo 6
toggle bottom row
course content

Conteúdo do Curso

ML Introduction with scikit-learn

1. Conceitos de Aprendizado de Máquina

O que é MLTipos de Aprendizado de MáquinaConjunto de TreinamentoTipos de DadosFluxo de Trabalho de Aprendizado de Máquina

2. Pré-processamento de Dados com Scikit-learn

Conceitos do Scikit-learnFamiliarizando-se com o Conjunto de DadosLidando com Valores AusentesDesafio de ImputaçãoCodificadorOrdinalCodificador One-HotCodificadorDeEtiquetasDesafio de CodificaçãoPor Que Escalar os Dados?StandardScaler, MinMaxScaler, MaxAbsScalerDesafio de EscalabilidadeResumo de Pré-processamento

3. Dutos

O que é PipelineTransformadorDeColunaDutoDesafio de Criação de um PipelineEstimador FinalDesafio do Estimador Final

4. Modelagem

ModelosClassificadorKNeighborsAvaliando um Modelo. Divisão Treino-Teste.Validação CruzadaDesafio de Validação CruzadaGridSearchCVO Defeito do GridSearchCVDesafio de Ajuste de Hiperparâmetros com RandomizedSearchCVResumo da ModelagemUnindo Tudo

ML Introduction with scikit-learn

Desafio do Estimador FinalDesafio do Estimador Final

Agora vamos construir um pipeline adequado com o estimador final. Como resultado, obteremos um pipeline de previsão treinado que pode ser usado para prever novas instâncias simplesmente chamando o método .predict(). Para treinar um preditor (modelo), você precisa que y seja codificado. Isso é feito separadamente do Pipeline que construímos para X. Lembre-se de que o LabelEncoder é usado para codificar o alvo.

Você tem o mesmo conjunto de dados de Penguins. A tarefa é construir uma pipeline com KNeighborsClassifier como estimador final, treiná-la e prever valores para o próprio X. Como as previsões serão codificadas (0, 1 ou 2), usaremos o método .inverse_transform() do LabelEncoder para reverter as previsões para 'Adelie', 'Chinstrap' ou 'Gentoo'.

Tarefa

  1. Codifique a variável y usando o LabelEncoder.
  2. Crie um pipeline contendo ct, SimpleImputer, StandardScaler e KNeighborsClassifier (nessa ordem).
  3. Treine o objeto pipe.

Tudo estava claro?

Seção 3. Capítulo 6
toggle bottom row
some-alt