CommencezCommencez gratuitement

Prétraitement dans un pipeline

Maintenant que vous avez vu les étapes à effectuer séparément pour bien traiter les données sur le logement à Ames, utilisons l'approche beaucoup plus propre et concise avec DictVectorizer et plaçons-la aux côtés d'un XGBoostRegressor dans un pipeline scikit-learn.

Cette activité fait partie du cours

Amorçage de gradient avancé avec XGBoost

Voir le cours

Instructions de l’exercice

  • Importez DictVectorizer depuis sklearn.feature_extraction et Pipeline depuis sklearn.pipeline.
  • Remplissez les valeurs manquantes dans la colonne LotFrontage de X avec 0.
  • Complétez les étapes du pipeline avec DictVectorizer(sparse=False) pour "ohe_onestep" et xgb.XGBRegressor() pour "xgb_model".
  • Créez le pipeline à l'aide de Pipeline() et de steps.
  • Ajustez le Pipeline. N'oubliez pas de convertir X dans un format que DictVectorizer comprend en appelant la méthode to_dict("records") sur X.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import necessary modules
____
____

# Fill LotFrontage missing values with 0
X.LotFrontage = ____

# Setup the pipeline steps: steps
steps = [("ohe_onestep", ____),
         ("xgb_model", ____)]

# Create the pipeline: xgb_pipeline
xgb_pipeline = ____

# Fit the pipeline
____
Modifier et exécuter le code