Попередня обробка в конвеєрі

Тепер, коли ви побачили, які кроки потрібно виконати окремо, щоб коректно обробити дані про житло в Еймсі, скористаймося значно чистішим і стисленим підходом із DictVectorizer та поєднаймо його з XGBoostRegressor у конвеєрі scikit-learn.

Ця вправа є частиною курсу

Екстремальний градієнтний бустинг з XGBoost

Переглянути курс

Інструкції до вправи

Імпортуйте DictVectorizer із sklearn.feature_extraction і Pipeline із sklearn.pipeline.
Заповніть пропущені значення в стовпці LotFrontage датафрейму X значенням 0.
Завершіть кроки конвеєра, використавши DictVectorizer(sparse=False) для "ohe_onestep" і xgb.XGBRegressor() для "xgb_model".
Створіть конвеєр за допомогою Pipeline() і steps.
Навчіть Pipeline. Не забудьте перетворити X у формат, який розуміє DictVectorizer, викликавши метод to_dict("records") для X.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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
____

Редагувати та запускати код