Pipeline – FunctionTransformer (scikit-learn / Python)

Utilisation de l'outil FunctionTransformer dans une phase de préparation de données, incorporée dans un Pipeline scikit-learn. La fonction de transformation peut être définie à la volée (fonction lambda) ou implémentée à part. Le plus important est d'être en cohérence avec le format des variables passées en paramètres. Sérialisation du workflow complet (préparation des données + modèle de machine learning [régression logistique ici]) à l'aide du package "dill" (le package "pickle" ne sait pas manipuler les fonctions lambda).

00:00 Transformation de variables avec FunctionTransformer
02:26 Architecture du pipeline
05:10 Description des données utilisées
05:32 Démarrage du notebook - Chargement des données
06:25 Régression logistique sur les données originelles
06:59 Partie préparation de données du pipeline
07:46 ColumnTransformer
07:58 FunctionTransformer de différentes manières
12:04 Pipeline incluant l'algorithme de machine learning
12:23 Entraînement du modèle et inspection des résultats
14:39 Sérialisation avec le package "dill"
17:03 Chargement, inspection et déploiement