Udfordring: Oprettelse af en Komplet ML-Pipeline
Opret nu en pipeline, der inkluderer en slutestimator. Dette giver en trænet forudsigelses-pipeline, som kan generere forudsigelser for nye instanser ved hjælp af .predict()
-metoden.
Da en prædiktor kræver målvariablen y
, skal denne kodes separat fra den pipeline, der er opbygget til X
. Brug LabelEncoder
til at kode target.
Da forudsigelserne er kodet som 0, 1 eller 2, kan .inverse_transform()
-metoden fra LabelEncoder
bruges til at konvertere dem tilbage til de oprindelige etiketter: 'Adelie'
, 'Chinstrap'
eller 'Gentoo'
.
Swipe to start coding
Brug penguins-datasættet til at opbygge en pipeline med KNeighborsClassifier
som den endelige estimator. Træn pipelinen på datasættet og generér forudsigelser for X
.
- Kod variablen
y
. - Opret en pipeline, der indeholder
ct
,SimpleImputer
,StandardScaler
ogKNeighborsClassifier
. - Brug strategien
'most_frequent'
medSimpleInputer
. - Træn objektet
pipe
ved at bruge featuresX
og targety
.
Løsning
Tak for dine kommentarer!
single
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Awesome!
Completion rate improved to 3.13
Udfordring: Oprettelse af en Komplet ML-Pipeline
Stryg for at vise menuen
Opret nu en pipeline, der inkluderer en slutestimator. Dette giver en trænet forudsigelses-pipeline, som kan generere forudsigelser for nye instanser ved hjælp af .predict()
-metoden.
Da en prædiktor kræver målvariablen y
, skal denne kodes separat fra den pipeline, der er opbygget til X
. Brug LabelEncoder
til at kode target.
Da forudsigelserne er kodet som 0, 1 eller 2, kan .inverse_transform()
-metoden fra LabelEncoder
bruges til at konvertere dem tilbage til de oprindelige etiketter: 'Adelie'
, 'Chinstrap'
eller 'Gentoo'
.
Swipe to start coding
Brug penguins-datasættet til at opbygge en pipeline med KNeighborsClassifier
som den endelige estimator. Træn pipelinen på datasættet og generér forudsigelser for X
.
- Kod variablen
y
. - Opret en pipeline, der indeholder
ct
,SimpleImputer
,StandardScaler
ogKNeighborsClassifier
. - Brug strategien
'most_frequent'
medSimpleInputer
. - Træn objektet
pipe
ved at bruge featuresX
og targety
.
Løsning
Tak for dine kommentarer!
Awesome!
Completion rate improved to 3.13single