Xây dựng scikit-learn Pipeline Khép kín Chống Rò rỉ Dữ liệu
Trong các dự án AI thực tế, mã nguồn tiền xử lý thường bị phân tán rời rạc, dẫn đến nguy cơ rò rỉ dữ liệu khi triển khai phục vụ (serving). Đóng gói thành Pipeline chuẩn mực là yêu
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: pandas-data-cleaning-pipeline, data-leakage-detector-scaler.
Nội dung đề bài
Mục tiêu kiến thức
- Sử dụng ColumnTransformer để xử lý song song các đặc trưng số (StandardScaler) và đặc trưng phân loại (OneHotEncoder).
- Đóng gói toàn bộ quá trình biến đổi và mô hình ước lượng (LogisticRegression) vào một đối tượng Pipeline duy nhất.
- Đảm bảo tính khép kín: Tập Test chỉ được gọi predict(), tuyệt đối không tham gia vào quá trình fit.
Mô tả bài toán
Trong các dự án AI thực tế, mã nguồn tiền xử lý thường bị phân tán rời rạc, dẫn đến nguy cơ rò rỉ dữ liệu khi triển khai phục vụ (serving). Đóng gói thành Pipeline chuẩn mực là yêu cầu bắt buộc của kỹ sư MLOps.
Yêu cầu
Viết hàm build_and_evaluate_pipeline(df_train: pd.DataFrame, df_test: pd.DataFrame, num_cols: list[str], cat_cols: list[str], target_col: str) -> dict[str, Any]:
- Tạo một ColumnTransformer:
- Nhánh số: áp dụng StandardScaler trên các cột num_cols.
- Nhánh phân loại: áp dụng OneHotEncoder(handle_unknown='ignore', sparse_output=False) trên các cột cat_cols.
- Tạo một Pipeline:
- Bước 1: "preprocessor" là ColumnTransformer ở trên.
- Bước 2: "classifier" là LogisticRegression(random_state=42).
- Tách đặc trưng X và nhãn y từ df_train và df_test.
- Gọi pipeline.fit(X_train, y_train) chỉ trên tập train.
- Tính độ chính xác train_accuracy trên tập train và test_accuracy trên tập test.
- Trả về dictionary:
{"pipeline": pipeline, "train_accuracy": float, "test_accuracy": float}.
import pandas as pd
from typing import Any
def build_and_evaluate_pipeline(df_train: pd.DataFrame, df_test: pd.DataFrame, num_cols: list[str], cat_cols: list[str], target_col: str) -> dict[str, Any]:
passInput
- Hàm build_and_evaluate_pipeline(df_train, df_test, num_cols, cat_cols, target_col): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.
Output
- Hàm build_and_evaluate_pipeline: Trả về kết quả kiểu dict[str, Any] theo đúng đặc tả kỹ thuật và kích thước quy định.
Ràng buộc
- Thời gian chạy tối đa: 3000ms.
- Giới hạn bộ nhớ: 512MB.
- Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.
Ví dụ 1
Input
train_df = pd.DataFrame({'income': [1000.0, 2000.0, 5000.0, 6000.0], 'tier': ['low', 'low', 'high', 'high'], 'label': [0, 0, 1, 1]})
test_df = pd.DataFrame({'income': [1500.0, 5500.0], 'tier': ['low', 'high'], 'label': [0, 1]})
res = build_and_evaluate_pipeline(train_df, test_df, num_cols=['income'], cat_cols=['tier'], target_col='label')
Output
{
'pipeline': Pipeline(steps=[('preprocessor',
ColumnTransformer(transformers=[('num', StandardScaler(),
['income']),
('cat',
... (truncated),
'train_accuracy': 1,
'test_accuracy': 1
}
Giải thích
Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.
Ví dụ 2
Input
train_df = pd.DataFrame({'val': [1.0, 2.0, 3.0], 'cat': ['A', 'B', 'A'], 'target': [0, 1, 0]})
test_df = pd.DataFrame({'val': [1.5], 'cat': ['UNKNOWN_CATEGORY'], 'target': [0]})
res = build_and_evaluate_pipeline(train_df, test_df, ['val'], ['cat'], 'target')
Output
{
'pipeline': Pipeline(steps=[('preprocessor',
ColumnTransformer(transformers=[('num', StandardScaler(),
['val']),
('cat',
... (truncated),
'train_accuracy': 0.666667,
'test_accuracy': 1
}
Giải thích
Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.
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.
