Étude de cas sur les maladies rénales II : Feature Union

Après avoir imputé séparément les colonnes numériques et catégorielles, votre tâche consiste maintenant à utiliser le FeatureUnion de scikit-learn pour concaténer leurs résultats, qui se trouvent respectivement dans deux objets transformeurs distincts : numeric_imputation_mapper et categorical_imputation_mapper.

Vous avez peut-être déjà croisé FeatureUnion dans Machine Learning with the Experts: School Budgets. Comme pour les pipelines, vous devez lui passer une liste de tuples (chaîne, transformeur), où la première partie de chaque tuple correspond au nom du transformeur.

Cet exercice fait partie du cours

<cours>Extreme Gradient Boosting avec XGBoost</cours>

Voir le cours

Instructions de l’exercice

Importez FeatureUnion depuis sklearn.pipeline.
Combinez les résultats de numeric_imputation_mapper et categorical_imputation_mapper à l’aide de FeatureUnion(), avec les noms "num_mapper" et "cat_mapper" respectivement.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import FeatureUnion
from sklearn.pipeline import FeatureUnion

# Combine the numeric and categorical transformations
numeric_categorical_union = ____([
                                          ("____", ____),
                                          ("____", ____)
                                         ])

Modifier et exécuter le code