Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Вивчайте Завдання: Підсумкове Застосування | Моделювання
Вступ до машинного навчання з Python

bookЗавдання: Підсумкове Застосування

У цьому завданні застосуйте повний робочий процес, вивчений у курсі — від попередньої обробки даних до навчання та оцінювання моделі.

Завдання

Swipe to start coding

Ви працюєте з набором даних про пінгвінів. Побудуйте ML-пайплайн для класифікації видів за допомогою KNN, обробляючи кодування, пропущені значення, масштабування та налаштування параметрів.

  1. Закодуйте y за допомогою LabelEncoder.
  2. Розділіть дані за допомогою train_test_split(test_size=0.33).
  3. Створіть ct: OneHotEncoder для 'island', 'sex', remainder='passthrough'.
  4. Встановіть param_grid для n_neighbors, weights, p.
  5. Створіть GridSearchCV(KNeighborsClassifier(), param_grid).
  6. Пайплайн: ct → SimpleImputer('most_frequent') → StandardScaler → GridSearchCV.
  7. Навчіть на тренувальних даних.
  8. Виведіть .score на тестових даних.
  9. Зробіть передбачення, виведіть перші 5 декодованих міток.
  10. Виведіть .best_estimator_.

Рішення

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 4. Розділ 10
single

single

Запитати АІ

expand

Запитати АІ

ChatGPT

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

close

bookЗавдання: Підсумкове Застосування

Свайпніть щоб показати меню

У цьому завданні застосуйте повний робочий процес, вивчений у курсі — від попередньої обробки даних до навчання та оцінювання моделі.

Завдання

Swipe to start coding

Ви працюєте з набором даних про пінгвінів. Побудуйте ML-пайплайн для класифікації видів за допомогою KNN, обробляючи кодування, пропущені значення, масштабування та налаштування параметрів.

  1. Закодуйте y за допомогою LabelEncoder.
  2. Розділіть дані за допомогою train_test_split(test_size=0.33).
  3. Створіть ct: OneHotEncoder для 'island', 'sex', remainder='passthrough'.
  4. Встановіть param_grid для n_neighbors, weights, p.
  5. Створіть GridSearchCV(KNeighborsClassifier(), param_grid).
  6. Пайплайн: ct → SimpleImputer('most_frequent') → StandardScaler → GridSearchCV.
  7. Навчіть на тренувальних даних.
  8. Виведіть .score на тестових даних.
  9. Зробіть передбачення, виведіть перші 5 декодованих міток.
  10. Виведіть .best_estimator_.

Рішення

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 4. Розділ 10
single

single

some-alt