Colonnes mixtes

Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 46 sur 58.

La plupart des tableaux mélangent des mots et des nombres, et chaque type nécessite sa propre étape. Un ColumnTransformer envoie chaque colonne à son étape et assemble les résultats :

Un schéma intitulé 4 colonnes en entrée, 7 colonnes en sortie. Trois disques vinyles avec le genre, l’état, le prix et l’année. Le genre et l’état passent par OneHotEncoder pour obtenir cinq colonnes 0/1 : jazz, rock, bon, comme neuf, usé. Le prix et l’année passent par StandardScaler pour obtenir deux colonnes mises à l’échelle

Pour un magasin de disques, en code :

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder

prep = ColumnTransformer([
    ("words", OneHotEncoder(), ["genre", "condition"]),
    ("numbers", StandardScaler(), ["price", "year"]),
])
pipe = make_pipeline(prep, LogisticRegression(max_iter=1000))

Chaque entrée est un nom, une étape et ses colonnes. Contrairement à get_dummies, l’encodeur mémorise les catégories d’entraînement, donc un nouvel enregistrement obtient les mêmes 7 colonnes.

Défi

Moyen

Un club d’échecs veut connaître les chances de victoire de chaque joueur avant une partie. Le code de départ sépare chess.csv et lit les données de la partie de ce soir.

Encode opening et color, normalise rating_gap et minutes, puis affiche le nombre de colonnes obtenu à partir des lignes d’entraînement.
Enchaîne avec une régression logistique, entraîne le modèle et affiche la précision sur les données de test.
Affiche les chances de victoire de ce soir.

Un autre club, trois ouvertures, et sicilian, black, 50, 15 :

Columns after preparing: 7
Test accuracy: 0.805
Win chance: 0.66

Essayez vous-même

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline

# Les parties d'un club d'échecs : l'ouverture, la couleur du joueur, son classement moins
# celui de l'adversaire, les minutes restantes à la pendule et si le joueur a gagné (1) ou non (0)
games = pd.read_csv("chess.csv")
X = games[["opening", "color", "rating_gap", "minutes"]]
y = games["won"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# La partie de ce soir, une ligne avec les mêmes colonnes
game = pd.DataFrame({"opening": [input()], "color": [input()],
                     "rating_gap": [int(input())], "minutes": [int(input())]})

# Écrivez votre code ci-dessous