शुरू करेंमुफ़्त में शुरू करें

किडनी डिजीज केस स्टडी III: फुल पाइपलाइन

अब XGBClassifier के साथ सभी ट्रांसफॉर्म्स को जोड़कर पूरी पाइपलाइन बनाने का समय है!

पिछले अभ्यास में बनाई गई numeric_categorical_union के अलावा, दो और ट्रांसफॉर्म्स चाहिए: Dictifier() ट्रांसफॉर्म जिसे हमने आपके लिए पहले से बनाया है, और DictVectorizer().

पाइपलाइन बनाने के बाद, आपका काम है इसकी क्रॉस-वैलिडेशन करना ताकि देखें यह कितना अच्छा परफॉर्म करती है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

XGBoost के साथ Extreme Gradient Boosting

पाठ्यक्रम देखें

अभ्यास निर्देश

  • numeric_categorical_union, Dictifier(), और DictVectorizer(sort=False) ट्रांसफॉर्म्स, तथा max_depth=3 वाले xgb.XGBClassifier() एस्टीमेटर का उपयोग करके पाइपलाइन बनाएँ. ट्रांसफॉर्म्स के नाम क्रमशः "featureunion", "dictifier", "vectorizer" और एस्टीमेटर का नाम "clf" रखें.
  • cross_val_score() का उपयोग करके pipeline पर 3-fold क्रॉस-वैलिडेशन करें. इसमें पाइपलाइन pipeline, फीचर्स kidney_data, और आउटकम्स y पास करें. साथ ही scoring को "roc_auc" और cv को 3 सेट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

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

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

# Print avg. AUC
print("3-fold AUC: ", np.mean(cross_val_scores))
कोड संपादित करें और चलाएँ