Conteúdo do Curso
ML Introduction with scikit-learn
1. Conceitos de Aprendizado de Máquina
2. Pré-processamento de Dados com Scikit-learn
ML Introduction with scikit-learn
Desafio 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.
![](https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/LabelEncoderClass.png)
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
- Codifique a variável
y
usando oLabelEncoder
. - Crie um pipeline contendo
ct
,SimpleImputer
,StandardScaler
eKNeighborsClassifier
(nessa ordem). - Treine o objeto
pipe
.
Tudo estava claro?
Conteúdo do Curso
ML Introduction with scikit-learn
1. Conceitos de Aprendizado de Máquina
2. Pré-processamento de Dados com Scikit-learn
ML Introduction with scikit-learn
Desafio 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.
![](https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/LabelEncoderClass.png)
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
- Codifique a variável
y
usando oLabelEncoder
. - Crie um pipeline contendo
ct
,SimpleImputer
,StandardScaler
eKNeighborsClassifier
(nessa ordem). - Treine o objeto
pipe
.
Tudo estava claro?