Fallstudie njursjukdom II: Feature Union

Nu när du har imputerat numeriska och kategoriska kolumner var för sig är uppgiften att använda scikit-learns FeatureUnion för att slå samman resultaten, som finns lagrade i två separata transformerarobjekt – numeric_imputation_mapper och categorical_imputation_mapper.

Du kanske redan har stött på FeatureUnion i Machine Learning with the Experts: School Budgets. Precis som med pipelines behöver du skicka in en lista med (sträng, transformerare)-tupler, där den första delen av varje tupel är transformerarens namn.

Den här övningen är en del av kursen

Extreme Gradient Boosting med XGBoost

Visa kurs

Övningsinstruktioner

Importera FeatureUnion från sklearn.pipeline.
Kombinera resultaten från numeric_imputation_mapper och categorical_imputation_mapper med hjälp av FeatureUnion(), med namnen "num_mapper" respektive "cat_mapper".

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import FeatureUnion
from sklearn.pipeline import FeatureUnion

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

Redigera och kör kod