python-112Đọc toàn bộ đề miễn phí
Kiến trúc Pipeline Học máy đầu cuối với Bộ biến đổi Tùy biến và Serialization
1. Lớp OutlierCapper(factor=1.5):
Tiến độ của tôi ở bài này
Điểm và code bạn nộp được lưu vào tài khoản sau khi chấm bài.
Đang tải điểm của bạn…
Kiến thức và chủ đề
Kiến thức tiên quyết: oop, json, method chaining, iqr.
Nội dung đề bài
Mục tiêu kiến thức
- Triển khai mẫu thiết kế Composite / Pipeline cho các giai đoạn tiền xử lý và mô hình hóa.
- Tuân thủ hợp đồng biến đổi chuẩn: fit(X, y=None), transform(X), fit_transform(X, y=None).
- Xây dựng biến đổi tùy biến OutlierCapper(factor=1.5): tính khoảng tứ phân vị IQR (Q1, Q3) trong lúc fit, và kẹp giá trị ngoại lai vào đoạn [Q1 - 1.5 × IQR, Q3 + 1.5 × IQR] trong lúc transform.
- Hỗ trợ lưu trữ trạng thái mô hình sang JSON bằng to_json() và tái tạo lại qua phương thức lớp Pipeline.from_json().
Mô tả bài toán
- Lớp OutlierCapper(factor=1.5):
- fit(self, X: np.ndarray) -> self: tính Q1, Q3 (dùng np.percentile) và lưu biên dưới lowerbound và biên trên upperbound cho từng cột.
- transform(self, X: np.ndarray) -> np.ndarray: kẹp các giá trị của X theo các biên đã học bằng np.clip().
- Lớp Pipeline(steps: list[tuple[str, object]]):
- steps: danh sách các tuple (name, transformer).
- fit(self, X: np.ndarray) -> self: gọi tuần tự fit hoặc fit_transform qua từng bước.
- transform(self, X: np.ndarray) -> np.ndarray: truyền dữ liệu qua tuần tự các bước transform.
- fit_transform(self, X: np.ndarray) -> np.ndarray: tiện ích kết hợp fit và transform.
- to_dict(self) -> dict: trích xuất cấu hình và tham số đã học của từng bước.
- to_json(self) -> str: chuyển đổi cấu hình sang chuỗi JSON.
- @classmethod from_dict(cls, data: dict) -> Pipeline: phục hồi pipeline hoàn chỉnh từ dictionary.
- Kiểm tra hợp lệ: nếu steps rỗng hoặc X rỗng, raise ValueError.
Input
- Các tham số truyền vào hàm/lớp OutlierCapper hoặc dữ liệu đầu vào theo định dạng mô tả.
Output
- Kết quả trả về của hàm/lớp OutlierCapper hoặc dữ liệu in ra màn hình theo đúng đặc tả.
Ràng buộc
- Thời gian chạy tối đa: 1500ms.
- Giới hạn bộ nhớ: 256MB.
- Dữ liệu đầu vào tuân thủ đúng kiểu dữ liệu và miền giá trị được mô tả.
Ví dụ 1
Input
OutlierCapper(X_train=[[1.0], [2.0], [3.0], [4.0], [5.0]], X_test=[[-10.0], [20.0]])
Output
[[-1.0], [7.0]]
Giải thích
Hàm được gọi với các tham số mẫu trên và trả về kết quả chính xác theo yêu cầu.
Ví dụ 2
Input
OutlierCapper(steps=[])
Output
True
Giải thích
Hàm được gọi với bộ tham số thứ hai và trả về kết quả tương ứng theo thiết kế.
3 cấp độ gợi ýMở dần khi bạn thật sự cần hỗ trợ.
Phân tích lời giảiGiải thích hướng tư duy và thuật toán.
Code tham khảoDùng để đối chiếu sau khi tự làm.
Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.
Góp ý & báo lỗi bài tập
Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.
