파이프라인에서의 전처리

Ames 주택 데이터에 대해 개별적으로 어떤 전처리 단계를 거쳐야 하는지 살펴봤으니, 이제 더 깔끔하고 간결한 DictVectorizer 방식을 사용해 보겠습니다. 이를 XGBoostRegressor와 함께 scikit-learn 파이프라인에 넣어 구성해 볼게요.

이 연습은 강의의 일부입니다

XGBoost로 익히는 Extreme Gradient Boosting

강의 보기

연습 안내

sklearn.feature_extraction에서 DictVectorizer, sklearn.pipeline에서 Pipeline을 임포트하세요.
X의 LotFrontage 열에 있는 결측값을 0으로 채우세요.
파이프라인의 스텝을 완성하세요. "ohe_onestep"에는 DictVectorizer(sparse=False), "xgb_model"에는 xgb.XGBRegressor()를 사용합니다.
Pipeline()과 steps를 사용해 파이프라인을 생성하세요.
Pipeline을 학습(fit)하세요. 이때 DictVectorizer가 이해하는 형식으로 변환하기 위해 X에 to_dict("records") 메서드를 호출하는 것을 잊지 마세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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
____

코드 편집 및 실행