Agora você vai continuar sua exploração do uso de pipelines com um conjunto de dados que exige muito mais tratamento. O conjunto de dados de doença renal crônica contém recursos categóricos e numéricos, mas tem muitos valores ausentes. O objetivo aqui é prever quem tem doença renal crônica dados vários indicadores sanguíneos como recursos.

Como Sergey mencionou no vídeo, você será apresentado a uma nova biblioteca, sklearn_pandas, que permite encadear muito mais etapas de processamento dentro de um pipeline do que as atualmente suportadas no scikit-learn. Especificamente, você poderá usar a classe DataFrameMapper() para aplicar qualquer transformador compatível com sklearn em colunas de DataFrame, em que a saída resultante pode ser um array do NumPy ou um DataFrame.

Também criamos um transformador chamado Dictifier que encapsula a conversão de um DataFrame usando .to_dict("records") sem que você precise fazer isso explicitamente (e para que funcione em um pipeline). Por fim, também fornecemos a lista de nomes de recursos em kidney_feature_names, o nome do alvo em kidney_target_name, as variáveis preditoras em X e o alvo em y.

Neste exercício, sua tarefa é aplicar o SimpleImputer do sklearn para imputar todas as colunas categóricas do conjunto de dados. Você pode usar como referência o mapeador de imputação numérica que foi criado como modelo. Percebeu os argumentos nomeados input_df=True e df_out=True? Isso é para que você possa trabalhar com DataFrames em vez de arrays. Por padrão, os transformadores recebem um array do numpy das colunas selecionadas como entrada e, como resultado, a saída do DataFrame mapper também é um array. Os transformadores do scikit-learn foram historicamente projetados para funcionar com arrays do numpy, não com DataFrames do pandas, embora suas interfaces básicas de indexação sejam semelhantes.

Ajustando hiperparâmetros do XGBoost

Create Your Free Account