Кейс: болезни почек — II: Feature Union

Вы уже выполнили импутацию числовых и категориальных столбцов по отдельности. Теперь ваша задача — использовать FeatureUnion из scikit-learn, чтобы объединить их результаты. Эти результаты хранятся в двух отдельных объектах-трансформерах: numeric_imputation_mapper и categorical_imputation_mapper соответственно.

Возможно, вы уже встречали FeatureUnion в курсе Machine Learning with the Experts: School Budgets. Как и в случае с пайплайнами, в него нужно передать список кортежей вида (строка, трансформер), где первый элемент каждого кортежа — название трансформера.

Это упражнение является частью курса

Экстремальный градиентный бустинг с XGBoost

Посмотреть курс

Инструкции к упражнению

Импортируйте FeatureUnion из sklearn.pipeline.
Объедините результаты numeric_imputation_mapper и categorical_imputation_mapper с помощью FeatureUnion(), присвоив им имена "num_mapper" и "cat_mapper" соответственно.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import FeatureUnion
from sklearn.pipeline import FeatureUnion

# Combine the numeric and categorical transformations
numeric_categorical_union = ____([
                                          ("____", ____),
                                          ("____", ____)
                                         ])

Редактировать и запускать код