Líné transformování trénovacích dat

Předzpracování vstupních proměnných je zásadním krokem v strojovém učení a často výrazně zlepší přesnost výsledného modelu. V posledních cvičeních bylo Spotify data předzpracováno za tebe – teď je ale důležité, abys to uměl/a udělat sám/sama.

V tomto cvičení použiješ objekt StandardScaler(), který transformuje sloupce pole tak, aby měly střední hodnotu nula a směrodatnou odchylku jedna.

Dask DataFrame se skladbami ze Spotify je v tvém prostředí dostupný jako dask_df. Obsahuje jak cílové skóre popularity, tak vstupní proměnné, které slouží k jeho předpovídání.

Toto cvičení je součástí kurzu

Parallel Programming with Dask in Python

Zobrazit kurz

Pokyny k cvičení

Importuj třídu StandardScaler() z dask_ml.preprocessing.
Vyber sloupec 'popularity' z DataFrame a přiřaď ho do proměnné y.
Vytvoř objekt StandardScaler a natrénuj ho na datech X.
Použij škálovač k transformaci X.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the StandardScaler class
from ____ import ____

X = dask_df[['duration_ms', 'explicit', 'danceability', 'acousticness', 'instrumentalness', 'tempo']]

# Select the target variable
y = ____

# Create a StandardScaler object and fit it on X
scaler = ____
scaler.____(____)

# Transform X
X = scaler.____
print(X)

Upravit a spustit kód