Кейс: болезни почек III — полный конвейер

Настало время объединить все преобразования и классификатор XGBClassifier в единый конвейер!

Помимо numeric_categorical_union, созданного в предыдущем упражнении, потребуются ещё два преобразования: Dictifier() (подготовлен заранее) и DictVectorizer().

После создания конвейера выполните его кросс-валидацию, чтобы оценить качество модели.

Это упражнение является частью курса

Экстремальный градиентный бустинг с XGBoost

Посмотреть курс

Инструкции к упражнению

Создайте конвейер, используя преобразования numeric_categorical_union, Dictifier() и DictVectorizer(sort=False), а также оценщик xgb.XGBClassifier() с параметром max_depth=3. Присвойте преобразованиям имена "featureunion", "dictifier", "vectorizer", а оценщику — "clf".
Выполните 3-блочную кросс-валидацию конвейера pipeline с помощью cross_val_score(). Передайте функции конвейер pipeline, признаки kidney_data, целевую переменную y, а также задайте параметр scoring равным "roc_auc" и параметр cv равным 3.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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

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

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

Редактировать и запускать код