Nghiên cứu tình huống bệnh thận III: Pipeline đầy đủ

Đến lúc ghép tất cả các transform cùng với XGBClassifier để xây dựng pipeline đầy đủ!

Ngoài numeric_categorical_union mà bạn đã tạo ở bài trước, còn cần hai transform khác: Dictifier() (chúng tôi đã tạo sẵn cho bạn) và DictVectorizer().

Sau khi tạo pipeline, nhiệm vụ của bạn là thực hiện cross-validation để xem mô hình hoạt động tốt đến đâu.

Bài tập này là một phần của khóa học

Gradient Boosting Cực Mạnh với XGBoost

Xem khóa học

Hướng dẫn bài tập

Tạo pipeline với các transform numeric_categorical_union, Dictifier(), và DictVectorizer(sort=False), cùng estimator xgb.XGBClassifier() với max_depth=3. Đặt tên các transform lần lượt là "featureunion", "dictifier", "vectorizer", và estimator là "clf".
Thực hiện cross-validation 3-fold trên pipeline bằng cross_val_score(). Truyền vào pipeline, pipeline, dữ liệu đặc trưng, kidney_data, biến đầu ra, y. Đồng thời đặt scoring là "roc_auc" và cv là 3.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

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

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

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

Chỉnh sửa và Chạy Mã