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.
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.
- Encode the
yvariable. - Create a pipeline containing
ct,SimpleImputer,StandardScaler, andKNeighborsClassifier. - Use
'most_frequent'strategy withSimpleInputer. - Train the
pipeobject using the featuresXand the targety.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
single
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 3.13Awesome!
Completion rate improved to 3.13Challenge: 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.
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.
- Encode the
yvariable. - Create a pipeline containing
ct,SimpleImputer,StandardScaler, andKNeighborsClassifier. - Use
'most_frequent'strategy withSimpleInputer. - Train the
pipeobject using the featuresXand the targety.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
single
Awesome!
Completion rate improved to 3.13Challenge: Creating a Complete ML Pipeline
Свайпніть щоб показати меню
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.
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.
- Encode the
yvariable. - Create a pipeline containing
ct,SimpleImputer,StandardScaler, andKNeighborsClassifier. - Use
'most_frequent'strategy withSimpleInputer. - Train the
pipeobject using the featuresXand the targety.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
