Bắt đầu ngayBắt đầu miễn phí

Chuẩn hóa trung tâm và tỉ lệ cho hồi quy

Giờ bạn đã thấy lợi ích của việc scale dữ liệu, bạn sẽ dùng một pipeline để tiền xử lý các đặc trưng trong music_df và xây dựng mô hình hồi quy lasso để dự đoán độ lớn âm lượng của một bài hát.

X_train, X_test, y_train, và y_test đã được tạo từ bộ dữ liệu music_df, trong đó mục tiêu là "loudness" và các đặc trưng là toàn bộ các cột còn lại. Lasso và Pipeline cũng đã được import sẵn cho bạn.

Lưu ý rằng "genre" đã được chuyển thành một đặc trưng nhị phân, trong đó 1 là bài rock và 0 là các thể loại khác.

Bài tập này là một phần của khóa học

Học có giám sát với scikit-learn

Xem khóa học

Hướng dẫn bài tập

  • Import StandardScaler.
  • Tạo các bước cho đối tượng pipeline: một StandardScaler gọi là "scaler", và một mô hình lasso gọi là "lasso" với alpha đặt thành 0.5.
  • Khởi tạo một pipeline với các bước scale và xây dựng mô hình hồi quy lasso.
  • Tính giá trị R-squared trên dữ liệu test.

Bài tập tương tác thực hành trực tiếp

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

# Import StandardScaler
____

# Create pipeline steps
steps = [("____", ____()),
         ("____", ____(alpha=____))]

# Instantiate the pipeline
pipeline = ____(____)
pipeline.fit(X_train, y_train)

# Calculate and print R-squared
print(____.____(____, ____))
Chỉnh sửa và Chạy Mã