Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Herausforderung: Erstellung Einer Vollständigen ML-Pipeline | Pipelines
ML-Einführung Mit Scikit-Learn

bookHerausforderung: 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.

Note
Hinweis

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'.

Aufgabe

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.

  1. Kodieren Sie die Zielvariable y.
  2. Erstellen Sie eine Pipeline, die ct, SimpleImputer, StandardScaler und KNeighborsClassifier enthält.
  3. Verwenden Sie die Strategie 'most_frequent' mit SimpleInputer.
  4. Trainieren Sie das Objekt pipe mit den Merkmalen X und dem Ziel y.

Lösung

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 6
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

close

Awesome!

Completion rate improved to 3.13

bookHerausforderung: 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.

Note
Hinweis

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'.

Aufgabe

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.

  1. Kodieren Sie die Zielvariable y.
  2. Erstellen Sie eine Pipeline, die ct, SimpleImputer, StandardScaler und KNeighborsClassifier enthält.
  3. Verwenden Sie die Strategie 'most_frequent' mit SimpleInputer.
  4. Trainieren Sie das Objekt pipe mit den Merkmalen X und dem Ziel y.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

close

Awesome!

Completion rate improved to 3.13
Abschnitt 3. Kapitel 6
single

single

some-alt