Дослідження випадку захворювання нирок III: Повний конвеєр

Час зібрати всі перетворення разом із XGBClassifier, щоб побудувати повний конвеєр!

Окрім numeric_categorical_union, який ви створили у попередній вправі, потрібні ще два перетворення: трансформер Dictifier(), який ми підготували для вас, і DictVectorizer().

Після створення конвеєра виконайте крос-валідацію, щоб перевірити його ефективність.

Ця вправа є частиною курсу

Екстремальний градієнтний бустинг з XGBoost

Переглянути курс

Інструкції до вправи

Створіть конвеєр, використовуючи перетворення numeric_categorical_union, Dictifier() і DictVectorizer(sort=False), а також оцінювач xgb.XGBClassifier() з max_depth=3. Назвіть перетворення "featureunion", "dictifier", "vectorizer", а оцінювач — "clf".
Виконайте 3-фолдну крос-валідацію для pipeline, застосувавши cross_val_score(). Передайте туди конвеєр pipeline, ознаки kidney_data, ціль y. Також встановіть scoring у "roc_auc" і cv у 3.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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

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

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

Редагувати та запускати код