Đăng ký
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):

PythonNâng cao45 phút

Tiến độ của tôi ở bài này

Điểm được lưu vào tài khoản sau khi chấm bài.

Đang tải điểm của bạn…

Kiến thức và chủ đề

software engineeringmachine learningpipelineserializationdesign patterns

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 lower_bound và biên trên upper_bound 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.

Bài tập liên quan cùng chuyên đề

Hệ thống Gợi ý Sản phẩm bằng Phân rã Ma trận SVD & SGD
Nâng cao40p
Pipeline Phát hiện Giao dịch Gian lận & Dị biệt Đa biến
Nâng cao35p
Phân cụm Dữ liệu Vector K-Means++ & Đánh giá Inertia
Nâng cao35p
Động cơ Tính toán Ma trận Đánh giá Phân loại Đa lớp & ROC-AUC
Nâng cao35p

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.