Ліниве перетворення тренувальних даних

Попередня обробка вхідних змінних — ключовий крок у машинному навчанні, який часто підвищує точність побудованої моделі. У двох попередніх вправах дані Spotify вже були підготовлені для вас, але важливо вміти робити це самостійно.

У цій вправі ви використаєте об'єкт масштабування StandardScaler(), який перетворює стовпці масиву так, щоб їхнє середнє було нуль, а стандартне відхилення — один.

Dask-датафрейм із піснями Spotify доступний у вашому середовищі як dask_df. Він містить як цільові бали популярності, так і вхідні змінні, які ви використовували для їхнього прогнозування.

Ця вправа є частиною курсу

Паралельне програмування з Dask у Python

Переглянути курс

Інструкції до вправи

Імпортуйте клас StandardScaler() із dask_ml.preprocessing.
Виберіть стовпець 'popularity' із датафрейму та присвоїть його змінній y.
Створіть об'єкт StandardScaler і навчіть (fit) його на даних X.
Застосуйте масштабувальник, щоб перетворити X.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import the StandardScaler class
from ____ import ____

X = dask_df[['duration_ms', 'explicit', 'danceability', 'acousticness', 'instrumentalness', 'tempo']]

# Select the target variable
y = ____

# Create a StandardScaler object and fit it on X
scaler = ____
scaler.____(____)

# Transform X
X = scaler.____
print(X)

Редагувати та запускати код