復習：データを整えて予測

CoddyのMachine Learningジャーニー「教師あり学習」セクションの一部。レッスン 49/58。

チャレンジ

中級

どのキャンパーが戻ってくるでしょうか？ camp.csvには文字列、数値、欠損値が混在しています。スターターコードはデータを分割し、キャンパーの情報を読み込みます。

章の完全なパイプラインを構築します。cabinとactivityをワンホットエンコードし、数値には欠損値を中央値で補完してからスケーリングする処理を適用し、最後にロジスティック回帰を使います。
訓練データの行に対する5分割CV精度の平均と標準偏差を出力します。
訓練データの行で学習し、テスト精度と、そのキャンパーが戻ってくる確率を出力します。

別のキャンプのキャンパー。10、lakeside、archery、21、-、4：

CV accuracy: mean 0.707, std 0.065
Test accuracy: 0.740
Chance of coming back: 0.91

ダッシュは評価の欠損値です。パイプラインが他の欠損値と同じように補完します。

自分で試してみよう

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline

# 去年の夏のキャンプ参加者：今年も参加した (1) か、しなかった (0) か？
campers = pd.read_csv("camp.csv")
X = campers.drop(columns="came_back")
y = campers["came_back"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# 新しいキャンプ参加者について、1 行に 1 つずつ回答。ダッシュ (-) は数値が欠けていることを示す
answers = []
for i in range(6):
    answers.append(input())
numbers = []
for i in [0, 3, 4, 5]:
    if answers[i] == "-":
        numbers.append(np.nan)
    else:
        numbers.append(float(answers[i]))
camper = pd.DataFrame({"age": [numbers[0]], "cabin": [answers[1]], "activity": [answers[2]],
                       "nights": [numbers[1]], "rating": [numbers[2]], "friends_made": [numbers[3]]})

# 以下にコードを書いてください