Studiu de caz: boala renală III – Pipeline complet

A venit momentul să reunești toate transformările împreună cu un XGBClassifier pentru a construi pipeline-ul complet!

Pe lângă numeric_categorical_union creat în exercițiul anterior, mai sunt necesare două transformări: transformarea Dictifier(), pe care am creat-o pentru tine, și DictVectorizer().

După ce creezi pipeline-ul, sarcina ta este să îl validezi încrucișat pentru a vedea cât de bine performează.

Acest exercițiu face parte din cursul

Gradient Boosting Extrem cu XGBoost

Vezi cursul

Instrucțiuni pentru exercițiu

Creează pipeline-ul folosind transformările numeric_categorical_union, Dictifier() și DictVectorizer(sort=False), precum și estimatorul xgb.XGBClassifier() cu max_depth=3. Denumește transformările "featureunion", "dictifier", "vectorizer", iar estimatorul "clf".
Efectuează o validare încrucișată cu 3 fold-uri pe pipeline folosind cross_val_score(). Transmite-i pipeline-ul pipeline, caracteristicile kidney_data, valorile țintă y. De asemenea, setează scoring la "roc_auc" și cv la 3.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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

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

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

Editează și rulează codul