शुरू करेंमुफ़्त में शुरू करें

पाइपलाइन के भीतर प्रीप्रोसेसिंग

अब जबकि आपने देख लिया है कि Ames हाउसिंग डेटा को सही तरीके से प्रोसेस करने के लिए कौन-से कदम अलग-अलग लेने पड़ते हैं, आइए अब और साफ़-सुथरे और संक्षिप्त DictVectorizer तरीके का उपयोग करें और इसे scikit-learn पाइपलाइन के अंदर XGBoostRegressor के साथ रखें.

यह अभ्यास पाठ्यक्रम का हिस्सा है

XGBoost के साथ Extreme Gradient Boosting

पाठ्यक्रम देखें

अभ्यास निर्देश

  • sklearn.feature_extraction से DictVectorizer और sklearn.pipeline से Pipeline इम्पोर्ट करें.
  • X की LotFrontage कॉलम में किसी भी missing वैल्यू को 0 से भरें.
  • पाइपलाइन के स्टेप्स को पूरा करें: "ohe_onestep" के लिए DictVectorizer(sparse=False) और "xgb_model" के लिए xgb.XGBRegressor() लगाएँ.
  • Pipeline() और steps का उपयोग करके पाइपलाइन बनाएँ.
  • Pipeline को fit करें. ध्यान रखें, DictVectorizer को समझ में आने वाले फ़ॉर्मेट में बदलने के लिए X पर to_dict("records") मेथड कॉल करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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
____
कोड संपादित करें और चलाएँ