Natuurlijk! Hier is een voorbeeld van een Scikit-learn pipeline die jouw beschreven workflow automatiseert, inclusief preprocessing, modeltraining en validatie: ```python from sklearn.pipeline import Pipeline from sklearn.compose import ColumnTransformer from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split, cross_val_score # Veronderstel dat je data in een DataFrame 'df' staat, met features en target # Bijvoorbeeld: # X = df.drop('target', axis=1) # y = df['target'] # Identificeer de kolommen numerieke_kolommen = ['leeftijd'] # voeg andere numerieke kolommen toe indien aanwezig categorische_kolommen = ['geslacht', 'locatie'] # voeg andere categorische kolommen toe # Preprocessing voor numerieke kolommen numerieke_transformer = StandardScaler() # Preprocessing voor categorische kolommen categorische_transformer = OneHotEncoder(handle_unknown='ignore') # Combineer preprocessors in een ColumnTransformer preprocessor = ColumnTransformer( transformers=[ ('num', numerieke_transformer, numerieke_kolommen), ('cat', categorische_transformer, categorische_kolommen) ]) # Maak de volledige pipeline met preprocessing en classifier pipeline = Pipeline(steps=[ ('preprocessor', preprocessor), ('classifier', RandomForestClassifier()) ]) # Split de data in training en test sets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Train de pipeline pipeline.fit(X_train, y_train) # Evalueer de modelprestaties scores = cross_val_score(pipeline, X, y, cv=5) print("Cross-validated scores:", scores) print("Gemiddelde score:", scores.mean()) ``` **Voordelen van deze aanpak:** - **Automatisering:** Alle preprocessing- en modelstappen worden in één workflow gebundeld, waardoor je minder handmatig werk hebt. - **Consistentie:** Preprocessing wordt gelijk toegepast op trainings- en testdata, waardoor datalekken worden voorkomen. - **Eenvoud van hyperparameter-tuning:** Je kunt eenvoudig GridSearchCV of RandomizedSearchCV gebruiken op de volledige pipeline. - **Herbruikbaarheid:** De pipeline kan makkelijk worden hergebruikt voor nieuwe data of in productie-omgevingen. - **Efficiënte validatie:** Door cross-validation te gebruiken, krijg je een betrouwbare inschatting van de modelprestaties. Wil je dat ik ook voorbeeldcode geef voor hyperparameter-tuning of het gebruik van de pipeline in productie?

Hier is een voorbeeld van een Scikit-learn pipeline voor jouw use case: ```python from sklearn.pipeline import Pipeline from sklearn.compose import ColumnTransformer from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score import pandas as pd # Veronderstel dat je DataFrame 'df' heet en de target variabele 'target' is # Eerst splitsen we de features en target X = df.drop('target', axis=1) y = df['target'] # Identificeer numerieke en categorische kolommen numerieke_kolommen = ['leeftijd', 'aankoopgeschiedenis'] # pas aan naar jouw kolomnamen categorische_kolommen = ['geslacht', 'locatie'] # pas aan naar jouw kolomnamen # Maak een ColumnTransformer voor preprocessing preprocessor = ColumnTransformer( transformers=[ ('num', StandardScaler(), numerieke_kolommen), ('cat', OneHotEncoder(handle_unknown='ignore'), categorische_kolommen) ]) # Bouw de complete pipeline pipeline = Pipeline([ ('preprocessor', preprocessor), ('classifier', RandomForestClassifier( n_estimators=100, random_state=42, max_depth=10, min_samples_split=5 )) ]) # Split de data X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Train het model pipeline.fit(X_train, y_train) # Maak voorspellingen en evalueer y_pred = pipeline.predict(X_test) print(f"Accuracy: {accuracy_score(y_test, y_pred):.4f}") ``` **Voordelen van deze pipeline-aanpak:** 1. **Volledige automatisering**: Alle preprocessing en modeltraining in één workflow 2. **Voorkomen van data leakage**: Preprocessing wordt correct toegepast op train/test splits 3. **Herbruikbaarheid**: Makkelijk toe te passen op nieuwe data zonder handmatige preprocessing 4. **Hyperparameter tuning**: Eenvoudig te combineren met GridSearchCV voor optimalisatie 5. **Reproduceerbaarheid**: Consistentie in resultaten door vaste workflow 6. **Minder foutgevoelig**: Minder kans op menselijke fouten in preprocessing stappen **Voor cross-validatie zou je kunnen gebruiken:** ```python from sklearn.model_selection import cross_val_score scores = cross_val_score(pipeline, X, y, cv=5) print(f"Cross-validation scores: {scores}") print(f"Gemiddelde CV accuracy: {scores.mean():.4f}") ``` De pipeline zorgt ervoor dat alle transformaties consistent worden toegepast tijdens zowel training als validatie!