신장 질환 사례 연구 III: 전체 파이프라인

이제 모든 변환과 XGBClassifier를 함께 묶어 전체 파이프라인을 만들어 볼 차례예요!

이전 연습 문제에서 만든 numeric_categorical_union 외에도, 우리가 미리 만들어 둔 Dictifier() 변환과 DictVectorizer() 두 가지가 더 필요합니다.

파이프라인을 만든 뒤, 교차 검증을 수행해 성능을 확인해 보세요.

이 연습은 강의의 일부입니다

XGBoost로 익히는 Extreme Gradient Boosting

강의 보기

연습 안내

numeric_categorical_union, Dictifier(), DictVectorizer(sort=False) 변환과 max_depth=3인 xgb.XGBClassifier() 추정기를 사용해 파이프라인을 만드세요. 변환의 이름은 각각 "featureunion", "dictifier", "vectorizer", 추정기는 "clf"로 지정합니다.
cross_val_score()를 사용해 pipeline에 대해 3-폴드 교차 검증을 수행하세요. 파이프라인 pipeline, 특징 kidney_data, 정답 레이블 y를 전달하고, scoring은 "roc_auc", cv는 3으로 설정하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

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

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

# Print avg. AUC
print("3-fold AUC: ", np.mean(cross_val_scores))

코드 편집 및 실행