Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Desafio: Criando um Pipeline Completo de ML | Pipelines
Introdução ao ML com Scikit-learn

bookDesafio: Criando um Pipeline Completo de ML

Agora crie um pipeline que inclua um estimador final. Isso produz um pipeline de predição treinado que pode gerar previsões para novas instâncias usando o método .predict().

Como um preditor requer a variável alvo y, codifique-a separadamente do pipeline construído para X. Utilize o LabelEncoder para codificar o alvo.

Note
Nota

Como as previsões são codificadas como 0, 1 ou 2, o método .inverse_transform() do LabelEncoder pode ser utilizado para convertê-las de volta para os rótulos originais: 'Adelie', 'Chinstrap' ou 'Gentoo'.

Tarefa

Swipe to start coding

Utilize o conjunto de dados dos pinguins para construir um pipeline com KNeighborsClassifier como estimador final. Treine o pipeline no conjunto de dados e gere previsões para X.

  1. Codifique a variável y.
  2. Crie um pipeline contendo ct, SimpleImputer, StandardScaler e KNeighborsClassifier.
  3. Utilize a estratégia 'most_frequent' com SimpleInputer.
  4. Treine o objeto pipe utilizando as features X e o alvo y.

Solução

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 3. Capítulo 6
single

single

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Suggested prompts:

Can you show me how to use LabelEncoder for the target variable?

What is a final estimator in a pipeline?

How do I use the trained pipeline to make predictions?

close

Awesome!

Completion rate improved to 3.13

bookDesafio: Criando um Pipeline Completo de ML

Deslize para mostrar o menu

Agora crie um pipeline que inclua um estimador final. Isso produz um pipeline de predição treinado que pode gerar previsões para novas instâncias usando o método .predict().

Como um preditor requer a variável alvo y, codifique-a separadamente do pipeline construído para X. Utilize o LabelEncoder para codificar o alvo.

Note
Nota

Como as previsões são codificadas como 0, 1 ou 2, o método .inverse_transform() do LabelEncoder pode ser utilizado para convertê-las de volta para os rótulos originais: 'Adelie', 'Chinstrap' ou 'Gentoo'.

Tarefa

Swipe to start coding

Utilize o conjunto de dados dos pinguins para construir um pipeline com KNeighborsClassifier como estimador final. Treine o pipeline no conjunto de dados e gere previsões para X.

  1. Codifique a variável y.
  2. Crie um pipeline contendo ct, SimpleImputer, StandardScaler e KNeighborsClassifier.
  3. Utilize a estratégia 'most_frequent' com SimpleInputer.
  4. Treine o objeto pipe utilizando as features X e o alvo y.

Solução

Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

close

Awesome!

Completion rate improved to 3.13
Seção 3. Capítulo 6
single

single

some-alt