Začněte nyníZačněte zdarma

Domů
Kurzy
Redukce dimenzionality v Pythonu

Odstranění silně korelovaných příznaků

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Redukce dimenzionality v Pythonu

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

Seznámíš se s pojmem redukce dimenzionality a dozvíš se, kdy a proč je důležitá. Pochopíš rozdíl mezi výběrem příznaků a jejich extrakcí a obě techniky si vyzkoušíš při průzkumu dat. Kapitola završí lekce o t-SNE – výkonné technice extrakce příznaků, která ti umožní vizualizovat vícerozměrný dataset.

Exercise 1: Úvod Exercise 2: Zjištění počtu dimenzí v datasetu Exercise 3: Odstranění příznaků bez rozptylu Exercise 4: Výběr příznaků vs. extrakce příznaků Exercise 5: Vizuální odhalování redundantních příznaků Exercise 6: Výhoda výběru příznaků Exercise 7: Vizualizace vysokodimenzionálních dat pomocí t-SNE Exercise 8: Intuice za t-SNE Exercise 9: Fitování t-SNE na data ANSUR Exercise 10: t-SNE vizualizace dimenzionality

V první ze dvou kapitol věnovaných výběru příznaků se dozvíš o prokletí dimenzionality a o tom, jak ti redukce dimenzionality pomůže ho překonat. Seznámíš se s řadou technik pro odhalení a odstranění příznaků, které datasetu přinášejí jen malou přidanou hodnotu – ať už proto, že mají nízkou varianci, příliš mnoho chybějících hodnot, nebo proto, že silně korelují s jinými příznaky.

Exercise 1: Prokletí dimenzionality Exercise 2: Rozdělení na trénovací a testovací sadu Exercise 3: Trénování a testování modelu Exercise 4: Přesnost po redukci dimenzionality Exercise 5: Příznaky s chybějícími hodnotami nebo malým rozptylem Exercise 6: Hledání vhodného prahu rozptylu Exercise 7: Příznaky s nízkou variancí Exercise 8: Odstraňování příznaků s mnoha chybějícími hodnotami Exercise 9: Párová korelace Exercise 10: Intuice korelace Exercise 11: Prozkoumání korelační matice Exercise 12: Vizualizace korelační matice Exercise 13: Odstranění silně korelovaných příznaků

Aktuální cvičení

Exercise 14: Filtrování silně korelovaných příznaků Exercise 15: Jaderná energie a utonutí v bazénech

Ve druhé kapitole o výběru příznaků se naučíš, jak využít modely k nalezení nejdůležitějších příznaků v datasetu pro předpověď konkrétního cílového příznaku. V závěrečné lekci této kapitoly zkombinuješ doporučení více různých modelů a rozhodneš se, které příznaky stojí za zachování.

Exercise 1: Výběr příznaků pro výkon modelu Exercise 2: Tvorba klasifikátoru pro diagnostiku diabetu Exercise 3: Ruční rekurzivní eliminace příznaků Exercise 4: Automatická rekurzivní eliminace příznaků Exercise 5: Výběr příznaků pomocí stromových modelů Exercise 6: Sestavení modelu náhodného lesa Exercise 7: Náhodný les pro výběr příznaků Exercise 8: Rekurzivní eliminace příznaků s náhodným lesem Exercise 9: Regularizovaná lineární regrese Exercise 10: Vytvoření LASSO regresoru Exercise 11: Výsledky Lasso modelu Exercise 12: Úprava síly regularizace Exercise 13: Kombinování metod výběru příznaků Exercise 14: Vytvoření regresoru LassoCV Exercise 15: Ensemble modely pro další hlasy Exercise 16: Kombinace 3 selektorů příznaků

Tato kapitola se podrobně zaměřuje na nejpoužívanější algoritmus redukce dimenzionality – analýzu hlavních komponent (PCA). Pochopíš intuici za tím, jak a proč je tento algoritmus tak výkonný, a použiješ ho jak při průzkumu dat, tak při jejich předzpracování v modelovacím pipeline. Kapitolu zakončíš praktickým příkladem komprese obrázků.

Exercise 1: Extrakce příznaků Exercise 2: Ruční extrakce příznaků I Exercise 3: Ruční extrakce příznaků II Exercise 4: Intuice za hlavními komponentami Exercise 5: Analýza hlavních komponent Exercise 6: Výpočet hlavních komponent Exercise 7: PCA na větší datové sadě Exercise 8: Vysvětlený rozptyl PCA Exercise 9: Využití PCA Exercise 10: Porozumění komponentám Exercise 11: PCA pro průzkum příznaků Exercise 12: PCA v modelovacím pipeline Exercise 13: Výběr hlavních komponent Exercise 14: Výběr podílu vysvětlené variance Exercise 15: Výběr počtu komponent Exercise 16: PCA pro kompresi obrázků Exercise 17: Gratulujeme!