Začněte nyníZačněte zdarma

Centrování a škálování pro regresi

Teď, když znáš výhody škálování dat, použiješ pipeline k předzpracování příznaků z music_df a sestavíš model lasso regrese pro předpovídání hlasitosti skladby.

Z datasetu music_df byly vytvořeny X_train, X_test, y_train a y_test, kde cílová proměnná je "loudness" a příznaky tvoří všechny ostatní sloupce datasetu. Lasso a Pipeline jsou již naimportované.

Povšimni si, že "genre" byl převeden na binární příznak, kde 1 označuje rockovou skladbu a 0 představuje ostatní žánry.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Importuj StandardScaler.
  • Vytvoř kroky pro objekt pipeline: objekt StandardScaler pojmenovaný "scaler" a lasso model pojmenovaný "lasso" s hodnotou alpha nastavenou na 0.5.
  • Vytvoř instanci pipeline s kroky pro škálování a sestavení modelu lasso regrese.
  • Vypočítej hodnotu R-squared na testovacích datech.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import StandardScaler
____

# Create pipeline steps
steps = [("____", ____()),
         ("____", ____(alpha=____))]

# Instantiate the pipeline
pipeline = ____(____)
pipeline.fit(X_train, y_train)

# Calculate and print R-squared
print(____.____(____, ____))
Upravit a spustit kód