Kom igångKom igång gratis

Transformationer för träning och testning (I)

Hittills har du skapat skalare baserade på en kolumn och sedan applicerat skalaren på samma data som den tränades på. När du bygger maskininlärningsmodeller tränar du vanligtvis modellen på historisk data (träningsuppsättning) och applicerar den på ny, osedd data (testuppsättning). I sådana fall behöver du se till att samma skalning tillämpas på både tränings- och testdata.
I praktiken innebär det att du tränar skalaren på träningsuppsättningen och sedan använder den redan tränade skalaren på testuppsättningen. Du ska aldrig träna om en skalare på testuppsättningen.

För den här övningen och nästa delas DataFrame so_numeric_df upp i en träningsuppsättning (so_train_numeric) och en testuppsättning (so_test_numeric).

Den här övningen är en del av kursen

Särdragshantering för maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Instantiera StandardScaler() som SS_scaler.
  • Anpassa StandardScaler på kolumnen Age.
  • Transformera kolumnen Age i testuppsättningen (so_test_numeric).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import StandardScaler
from sklearn.preprocessing import StandardScaler

# Apply a standard scaler to the data
SS_scaler = ____

# Fit the standard scaler to the data
____

# Transform the test data using the fitted scaler
so_test_numeric['Age_ss'] = ____
print(so_test_numeric[['Age', 'Age_ss']].head())
Redigera och kör kod