I denne udfordring skal du skalere funktionerne i **penguins-datasættet** (allerede kodet og uden manglende værdier) ved hjælp af `StandardScaler`.


import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed_encoded.csv')

print(df)

Her er en lille påmindelse om `StandardScaler`-klassen.

import unittest
import pandas as pd
import numpy as np

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestStandardScaler(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        cls.df_raw = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed_encoded.csv'
        )
        import user_code
        cls.user_code = user_code

    def test_imports_scaler(self):
        from sklearn.preprocessing import StandardScaler
        uc = self.user_code
        cond = isinstance(getattr(uc, 'scaler', None), StandardScaler)
        _dynamic_test(
            self,
            cond,
            "Used StandardScaler from sklearn.preprocessing",
            "Used StandardScaler from sklearn.preprocessing"
        )

    def test_X_scaled_type(self):
        uc = self.user_code
        cond = isinstance(uc.X, (np.ndarray, pd.DataFrame))
        _dynamic_test(
            self,
            cond,
            "X was transformed using scaler.fit_transform",
            "X was transformed using scaler.fit_transform"
        )

    def test_X_scaled_mean_var(self):
        uc = self.user_code
        X_arr = np.asarray(uc.X)
        mean_close = np.allclose(np.mean(X_arr, axis=0), 0, atol=1e-7)
        var_close = np.allclose(np.var(X_arr, axis=0), 1, atol=1e-7)
        cond = mean_close and var_close
        _dynamic_test(
            self,
            cond,
            "X columns have mean ~0 and variance ~1 after scaling",
            "X columns have mean ~0 and variance ~1 after scaling"
        )

if __name__ == "__main__":
    unittest.main()

test_code.py

Maskinlæring anvendes nu overalt. Vil du selv lære det? Dette kursus er en introduktion til maskinlæringens verden, hvor du lærer grundlæggende begreber, arbejder med Scikit-learn – det mest populære bibliotek til ML – og bygger dit første maskinlæringsprojekt.
Dette kursus er tiltænkt studerende med grundlæggende kendskab til Python, Pandas og Numpy.

Lær om maskinlæringskoncepter og arbejdsgangen i et ML-projekt.

Forbehandling er sandsynligvis den vigtigste fase i et ML-projekt. Dette kapitel dækker de forbehandlingsskridt, der er nødvendige for næsten ethvert datasæt.

En pipeline er en smart måde at kombinere alle forbehandlingsskridt samt en model. Pipelines gør det meget nemmere at træne og anvende en model.

Modellering er den mest underholdende fase i et ML-projekt. Lad os lære at opbygge, finjustere og evaluere modellen!

Udfordring: Skalering af Funktionerne

Løsning

Awesome!

Udfordring: Skalering af Funktionerne

Løsning

Awesome!