Případová studie: onemocnění ledvin II – Feature Union

Teď, když máš zvlášť imputované numerické i kategorické sloupce, je tvým úkolem použít scikit-learnův FeatureUnion ke spojení jejich výsledků, které jsou uloženy ve dvou samostatných objektech transformátorů – numeric_imputation_mapper a categorical_imputation_mapper.

S FeatureUnion ses možná již setkal/a v kurzu Machine Learning with the Experts: School Budgets. Stejně jako u pipeline mu musíš předat seznam n-tic ve formátu (řetězec, transformátor), kde první část každé n-tice je název transformátoru.

Toto cvičení je součástí kurzu

Extreme Gradient Boosting with XGBoost

Zobrazit kurz

Pokyny k cvičení

Importuj FeatureUnion z sklearn.pipeline.
Spoj výsledky numeric_imputation_mapper a categorical_imputation_mapper pomocí FeatureUnion() s názvy "num_mapper" a "cat_mapper".

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import FeatureUnion
from sklearn.pipeline import FeatureUnion

# Combine the numeric and categorical transformations
numeric_categorical_union = ____([
                                          ("____", ____),
                                          ("____", ____)
                                         ])

Upravit a spustit kód