Případová studie – onemocnění ledvin III: Kompletní pipeline

Je čas poskládat všechny transformace dohromady s klasifikátorem XGBClassifier a sestavit kompletní pipeline!

Kromě numeric_categorical_union, který jsi vytvořil/a v předchozím cvičení, jsou potřeba ještě dvě další transformace: Dictifier(), kterou jsme připravili za tebe, a DictVectorizer().

Po vytvoření pipeline ji pomocí křížové validace otestuj a zjisti, jak dobře funguje.

Toto cvičení je součástí kurzu

Extreme Gradient Boosting with XGBoost

Zobrazit kurz

Pokyny k cvičení

Vytvoř pipeline pomocí transformací numeric_categorical_union, Dictifier() a DictVectorizer(sort=False) a estimátoru xgb.XGBClassifier() s parametrem max_depth=3. Transformace pojmenuj "featureunion", "dictifier", "vectorizer" a estimátor "clf".
Proveď 3-foldovou křížovou validaci pipeline pomocí cross_val_score(). Předej jí pipeline pipeline, příznaky kidney_data, cílové hodnoty y. Nastav také scoring na "roc_auc" a cv na 3.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create full pipeline
pipeline = ____([
                     ("____", ____),
                     ("____", ____),
                     ("____", ____),
                     ("____", ____)
                    ])

# Perform cross-validation
cross_val_scores = ____(____, ____, ____, ____="____", ____=____)

# Print avg. AUC
print("3-fold AUC: ", np.mean(cross_val_scores))

Upravit a spustit kód