เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การ Centering และ Scaling สำหรับ Regression

เมื่อเห็นประโยชน์ของการ scale ข้อมูลแล้ว คราวนี้จะใช้ pipeline เพื่อประมวลผลฟีเจอร์ใน music_df และสร้างโมเดล lasso regression สำหรับพยากรณ์ความดังของเพลง

X_train, X_test, y_train และ y_test ถูกสร้างขึ้นจากชุดข้อมูล music_df โดยมี "loudness" เป็น target และคอลัมน์อื่น ๆ ทั้งหมดเป็นฟีเจอร์ นอกจากนี้ยังได้ import Lasso และ Pipeline ไว้ให้แล้ว

หมายเหตุ: "genre" ถูกแปลงเป็นฟีเจอร์แบบ binary โดยค่า 1 หมายถึงเพลงร็อค และค่า 0 หมายถึงแนวเพลงอื่น ๆ

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ด้วย scikit-learn

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import StandardScaler
  • สร้าง steps สำหรับ pipeline โดยประกอบด้วย StandardScaler object ที่ตั้งชื่อว่า "scaler" และโมเดล lasso ที่ตั้งชื่อว่า "lasso" โดยกำหนด alpha เป็น 0.5
  • Instantiate pipeline ที่มี steps สำหรับการ scale ข้อมูลและสร้างโมเดล lasso regression
  • คำนวณค่า R-squared บนข้อมูลทดสอบ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import StandardScaler
____

# Create pipeline steps
steps = [("____", ____()),
         ("____", ____(alpha=____))]

# Instantiate the pipeline
pipeline = ____(____)
pipeline.fit(X_train, y_train)

# Calculate and print R-squared
print(____.____(____, ____))
แก้ไขและรันโค้ด