Recapitulare: pipeline-uri în sklearn

Gradient Boosting Extrem cu XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Recapitulare Pipeline

Primește o listă de tuple cu nume (nume, pas_pipeline)
Tuplele pot conține orice estimator sau transformator compatibil scikit-learn
Pipeline implementează metodele fit/predict
Poate fi folosit ca estimator în grid/randomized search și cross_val_score

Exemplu de pipeline scikit-learn

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.model_selection import cross_val_score

names = ["crime","zone","industry","charles","no","rooms",
        "age", "distance","radial","tax","pupil","aam","lower","med_price"]

data = pd.read_csv("boston_housing.csv",names=names)

X, y = data.iloc[:,:-1], data.iloc[:,-1]

rf_pipeline = Pipeline[("st_scaler", 
                StandardScaler()),
                ("rf_model",RandomForestRegressor())]

scores = cross_val_score(rf_pipeline,X,y,    
scoring="neg_mean_squared_error",cv=10)

Exemplu de pipeline scikit-learn

final_avg_rmse = np.mean(np.sqrt(np.abs(scores)))

print("Final RMSE:", final_avg_rmse)

Final RMSE: 4.54530686529

Preprocesare I: LabelEncoder și OneHotEncoder

LabelEncoder: Convertește o coloană categorică de șiruri în numere întregi
OneHotEncoder: Codifică coloana de întregi ca variabile dummy
Nu poate fi utilizat în cadrul unui pipeline

Preprocesare II: DictVectorizer

Utilizat tradițional în procesarea textului
Convertește liste de mapări de caracteristici în vectori
DataFrame-ul trebuie convertit într-o listă de dicționare
Consultați documentația scikit-learn

Să construim pipeline-uri!

Gradient Boosting Extrem cu XGBoost