Njursjukdomsstudie del III: Fullständig pipeline

Nu är det dags att sätta ihop alla transformationer tillsammans med en XGBClassifier och bygga den fullständiga pipelinen!

Utöver numeric_categorical_union som du skapade i föregående övning behövs ytterligare två transformationer: Dictifier()-transformationen som vi har skapat åt dig, samt DictVectorizer().

När du har skapat pipelinen är din uppgift att korsvalidera den för att se hur väl den presterar.

Den här övningen är en del av kursen

Extreme Gradient Boosting med XGBoost

Visa kurs

Övningsinstruktioner

Skapa pipelinen med transformationerna numeric_categorical_union, Dictifier() och DictVectorizer(sort=False), samt estimatorn xgb.XGBClassifier() med max_depth=3. Namnge transformationerna "featureunion", "dictifier" och "vectorizer", och estimatorn "clf".
Utför 3-faldig korsvalidering på pipeline med cross_val_score(). Skicka in pipelinen pipeline, särdragen kidney_data och utfallen y. Sätt även scoring till "roc_auc" och cv till 3.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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

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

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

Redigera och kör kod