Förbehandling i en pipeline

Nu när du har sett vilka steg som krävs för att bearbeta Ames-husdata på rätt sätt, är det dags att använda det smidigare DictVectorizer-upplägget och kombinera det med en XGBoostRegressor i en scikit-learn-pipeline.

Den här övningen är en del av kursen

Extreme Gradient Boosting med XGBoost

Visa kurs

Övningsinstruktioner

Importera DictVectorizer från sklearn.feature_extraction och Pipeline från sklearn.pipeline.
Fyll i saknade värden i kolumnen LotFrontage i X med 0.
Slutför stegen i pipelinen med DictVectorizer(sparse=False) för "ohe_onestep" och xgb.XGBRegressor() för "xgb_model".
Skapa pipelinen med Pipeline() och steps.
Träna pipelinen. Glöm inte att konvertera X till ett format som DictVectorizer förstår genom att anropa metoden to_dict("records") på X.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import necessary modules
____
____

# Fill LotFrontage missing values with 0
X.LotFrontage = ____

# Setup the pipeline steps: steps
steps = [("ohe_onestep", ____),
         ("xgb_model", ____)]

# Create the pipeline: xgb_pipeline
xgb_pipeline = ____

# Fit the pipeline
____

Redigera och kör kod