Центрування та масштабування для регресії
Тепер, коли ви побачили переваги масштабування даних, скористайтеся конвеєром, щоб попередньо обробити ознаки з music_df і побудувати модель ласо‑регресії для передбачення гучності пісні.
X_train, X_test, y_train та y_test уже створено з набору даних music_df, де ціль — "loudness", а ознаки — всі інші стовпці в наборі. Lasso і Pipeline також імпортовано для вас.
Зверніть увагу, що "genre" перетворено на бінарну ознаку, де 1 означає рок‑пісню, а 0 — інші жанри.
Ця вправа є частиною курсу
Кероване навчання зі scikit-learn
Інструкції до вправи
- Імпортуйте
StandardScaler. - Створіть кроки для об'єкта конвеєра: об'єкт
StandardScalerз назвою"scaler"і модель ласо з назвою"lasso"зalpha, встановленим у0.5. - Створіть екземпляр конвеєра зі кроками для масштабування та побудови моделі ласо‑регресії.
- Обчисліть значення R‑квадрата на тестових даних.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import StandardScaler
____
# Create pipeline steps
steps = [("____", ____()),
("____", ____(alpha=____))]
# Instantiate the pipeline
pipeline = ____(____)
pipeline.fit(X_train, y_train)
# Calculate and print R-squared
print(____.____(____, ____))