Herausforderung: Erstellung Einer Vollständigen ML-Pipeline
Erstellen Sie nun eine Pipeline, die einen finalen Schätzer enthält. Dies ergibt eine trainierte Vorhersagepipeline, die mit der Methode .predict()
Vorhersagen für neue Instanzen generieren kann.
Da ein Prädiktor die Zielvariable y
benötigt, kodieren Sie diese separat von der für X
erstellten Pipeline. Verwenden Sie LabelEncoder
, um das Ziel zu kodieren.
Da die Vorhersagen als kodiert in 0, 1 oder 2 vorliegen, kann die Methode .inverse_transform()
von LabelEncoder
verwendet werden, um sie wieder in die ursprünglichen Bezeichnungen umzuwandeln: 'Adelie'
, 'Chinstrap'
oder 'Gentoo'
.
Swipe to start coding
Verwenden Sie den penguins dataset, um eine Pipeline mit KNeighborsClassifier
als finalem Schätzer zu erstellen. Trainieren Sie die Pipeline mit dem Datensatz und generieren Sie Vorhersagen für X
.
- Kodieren Sie die Zielvariable
y
. - Erstellen Sie eine Pipeline, die
ct
,SimpleImputer
,StandardScaler
undKNeighborsClassifier
enthält. - Verwenden Sie die Strategie
'most_frequent'
mitSimpleInputer
. - Trainieren Sie das Objekt
pipe
mit den MerkmalenX
und dem Ziely
.
Lösung
Danke für Ihr Feedback!
single
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 3.13
Herausforderung: Erstellung Einer Vollständigen ML-Pipeline
Swipe um das Menü anzuzeigen
Erstellen Sie nun eine Pipeline, die einen finalen Schätzer enthält. Dies ergibt eine trainierte Vorhersagepipeline, die mit der Methode .predict()
Vorhersagen für neue Instanzen generieren kann.
Da ein Prädiktor die Zielvariable y
benötigt, kodieren Sie diese separat von der für X
erstellten Pipeline. Verwenden Sie LabelEncoder
, um das Ziel zu kodieren.
Da die Vorhersagen als kodiert in 0, 1 oder 2 vorliegen, kann die Methode .inverse_transform()
von LabelEncoder
verwendet werden, um sie wieder in die ursprünglichen Bezeichnungen umzuwandeln: 'Adelie'
, 'Chinstrap'
oder 'Gentoo'
.
Swipe to start coding
Verwenden Sie den penguins dataset, um eine Pipeline mit KNeighborsClassifier
als finalem Schätzer zu erstellen. Trainieren Sie die Pipeline mit dem Datensatz und generieren Sie Vorhersagen für X
.
- Kodieren Sie die Zielvariable
y
. - Erstellen Sie eine Pipeline, die
ct
,SimpleImputer
,StandardScaler
undKNeighborsClassifier
enthält. - Verwenden Sie die Strategie
'most_frequent'
mitSimpleInputer
. - Trainieren Sie das Objekt
pipe
mit den MerkmalenX
und dem Ziely
.
Lösung
Danke für Ihr Feedback!
Awesome!
Completion rate improved to 3.13single