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.

Incorporando o XGBoost em pipelines

Create Your Free Account