Caso di studio sulle malattie renali II: Feature Union

Dopo aver imputato separatamente le colonne numeriche e quelle categoriali, ora il tuo compito è usare la FeatureUnion di scikit-learn per concatenare i loro risultati, che si trovano in due distinti oggetti trasformatore: numeric_imputation_mapper e categorical_imputation_mapper.

Potresti aver già incontrato FeatureUnion in Machine Learning with the Experts: School Budgets. Proprio come per le pipeline, devi passarle una lista di tuple (string, transformer), dove la prima metà di ciascuna tupla è il nome del trasformatore.

Questo esercizio fa parte del corso

Extreme Gradient Boosting con XGBoost

Visualizza il corso

Istruzioni dell'esercizio

Importa FeatureUnion da sklearn.pipeline.
Combina i risultati di numeric_imputation_mapper e categorical_imputation_mapper usando FeatureUnion(), con i nomi "num_mapper" e "cat_mapper" rispettivamente.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Import FeatureUnion
from sklearn.pipeline import FeatureUnion

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

Modifica ed esegui il codice