Caso práctico de enfermedad renal III: Canalización completa

¡Es hora de combinar todas las transformaciones junto con un XGBClassifier para construir la canalización completa!

Además de la numeric_categorical_union que creaste en el ejercicio anterior, hacen falta otras dos transformaciones: la transformación Dictifier() que hemos creado por ti y DictVectorizer().

Después de crear la canalización, tu tarea es validarla con validación cruzada para ver qué tal rinde.

Este ejercicio forma parte del curso

Extreme Gradient Boosting con XGBoost

Ver curso

Instrucciones del ejercicio

Crea la canalización usando las transformaciones numeric_categorical_union, Dictifier() y DictVectorizer(sort=False), y el estimador xgb.XGBClassifier() con max_depth=3. Nombra las transformaciones "featureunion", "dictifier", "vectorizer" y al estimador "clf".
Realiza una validación cruzada de 3 particiones sobre pipeline usando cross_val_score(). Pásale la canalización, pipeline, las características, kidney_data, y los resultados, y. Además, establece scoring a "roc_auc" y cv a 3.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

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

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

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

Editar y ejecutar código