Centratura e scalatura per la regressione

Ora che hai visto i vantaggi di scalare i tuoi dati, userai una pipeline per preelaborare le caratteristiche di music_df e costruire un modello di regressione lazo per prevedere il volume di una canzone.

X_train``X_test, y_train e y_test sono stati creati dal dataset music_df, dove il target è "loudness" e le caratteristiche sono tutte le altre colonne del dataset. Lasso e Pipeline sono stati importati per te.

Nota che "genre" è stato convertito in una caratteristica binaria in cui 1 indica una canzone rock e 0 rappresenta altri generi.

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

Visualizza il corso

Istruzioni dell'esercizio

Importazione StandardScaler.
Crea i passaggi per l'oggetto pipeline, un oggetto StandardScaler chiamato "scaler", e un modello lasso chiamato "lasso" con alpha impostato su 0.5.
Istanziare una pipeline con i passaggi per scalare e costruire un modello di regressione lazo.
Calcola il valore R-squared sui dati di prova.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Import StandardScaler
____

# Create pipeline steps
steps = [("____", ____()),
         ("____", ____(alpha=____))]

# Instantiate the pipeline
pipeline = ____(____)
pipeline.fit(X_train, y_train)

# Calculate and print R-squared
print(____.____(____, ____))

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

In this chapter, you'll be introduced to classification problems and learn how to solve them using supervised learning techniques. You'll learn how to split data into training and test sets, fit a model, make predictions, and evaluate accuracy. You’ll discover the relationship between model complexity and performance, applying what you learn to a churn dataset, where you will classify the churn status of a telecom company's customers.

Exercise 1: Machine learning with scikit-learn Exercise 2: Binary classification Exercise 3: The supervised learning workflow Exercise 4: The classification challenge Exercise 5: k-Nearest Neighbors: Fit Exercise 6: k-Nearest Neighbors: Predict Exercise 7: Measuring model performance Exercise 8: Train/test split + computing accuracy Exercise 9: Overfitting and underfitting Exercise 10: Visualizing model complexity

In this chapter, you will be introduced to regression, and build models to predict sales values using a dataset on advertising expenditure. You will learn about the mechanics of linear regression and common performance metrics such as R-squared and root mean squared error. You will perform k-fold cross-validation, and apply regularization to regression models to reduce the risk of overfitting.

Exercise 1: Introduction to regression Exercise 2: Creating features Exercise 3: Building a linear regression model Exercise 4: Visualizing a linear regression model Exercise 5: The basics of linear regression Exercise 6: Fit and predict for regression Exercise 7: Regression performance Exercise 8: Cross-validation Exercise 9: Cross-validation for R-squared Exercise 10: Analyzing cross-validation metrics Exercise 11: Regularized regression Exercise 12: Regularized regression: Ridge Exercise 13: Lasso regression for feature importance

Having trained models, now you will learn how to evaluate them. In this chapter, you will be introduced to several metrics along with a visualization technique for analyzing classification model performance using scikit-learn. You will also learn how to optimize classification and regression models through the use of hyperparameter tuning.

Exercise 1: How good is your model?Exercise 2: Deciding on a primary metric Exercise 3: Assessing a diabetes prediction classifier Exercise 4: Logistic regression and the ROC curve Exercise 5: Building a logistic regression model Exercise 6: The ROC curve Exercise 7: ROC AUC Exercise 8: Hyperparameter tuning Exercise 9: Hyperparameter tuning with GridSearchCV Exercise 10: Hyperparameter tuning with RandomizedSearchCV

Learn how to impute missing values, convert categorical data to numeric values, scale data, evaluate multiple supervised learning models simultaneously, and build pipelines to streamline your workflow!

Exercise 1: Pre-elaborazione dei dati Exercise 2: Creazione di variabili dummy Exercise 3: Regressione con caratteristiche categoriche Exercise 4: Gestione dei dati mancanti Exercise 5: Eliminazione dei dati mancanti Exercise 6: Pipeline per la previsione del genere di canzone: I Exercise 7: Pipeline per la previsione del genere di canzone: II Exercise 8: Centratura e scalatura Exercise 9: Centratura e scalatura per la regressione

Esercizio in corso

Exercise 10: Centratura e scalatura per la classificazione Exercise 11: Valutazione di più modelli Exercise 12: Visualizzazione delle prestazioni del modello di regressione Exercise 13: Previsione sul set di prova Exercise 14: Visualizzazione delle prestazioni del modello di classificazione Exercise 15: Pipeline per la previsione della popolarità delle canzoni Exercise 16: Congratulazioni