ComenzarEmpieza gratis

Inicio
Cursos
Reducción de dimensionalidad en Python

Visualización con t-SNE de datos de alta dimensión

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.

Este ejercicio forma parte del curso

Reducción de dimensionalidad en Python

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Te presentarás al concepto de reducción de dimensionalidad y aprenderás cuándo y por qué es importante. Conocerás la diferencia entre selección y extracción de características y aplicarás ambas técnicas para explorar datos. El capítulo termina con una lección sobre t-SNE, una potente técnica de extracción de características que te permitirá visualizar un conjunto de datos de alta dimensionalidad.

Exercise 1: Introducción Exercise 2: Encontrar el número de dimensiones en un conjunto de datos Exercise 3: Eliminando características sin variación Exercise 4: Selección de características vs. extracción de características Exercise 5: Detectar visualmente características redundantes Exercise 6: Ventaja de la selección de características Exercise 7: Visualización con t-SNE de datos de alta dimensión

Ejercicio actual

Exercise 8: Intuición de t-SNE Exercise 9: Ajustar t-SNE a los datos de ANSUR Exercise 10: Visualización con t-SNE de la dimensionalidad

En este primero de dos capítulos sobre selección de características, aprenderás sobre la maldición de la dimensionalidad y cómo la reducción de dimensionalidad puede ayudarte a superarla. Verás varias técnicas para detectar y eliminar características que aportan poco valor añadido al conjunto de datos, ya sea porque tienen poca variación, demasiados valores perdidos o porque están fuertemente correlacionadas con otras características.

Exercise 1: La maldición de la dimensionalidad Exercise 2: Train - test split Exercise 3: Ajustar y evaluar el modelo Exercise 4: Precisión tras la reducción de dimensionalidad Exercise 5: Características con valores ausentes o poca varianza Exercise 6: Encontrar un buen umbral de varianza Exercise 7: Características con baja varianza Exercise 8: Eliminar variables con muchos valores ausentes Exercise 9: Correlación por pares Exercise 10: Intuición sobre la correlación Exercise 11: Inspecciona la matriz de correlación Exercise 12: Visualizing the correlation matrix Exercise 13: Eliminar características altamente correlacionadas Exercise 14: Filtrar características altamente correlacionadas Exercise 15: Energía nuclear y ahogamientos en piscinas

En este segundo capítulo sobre selección de características, aprenderás a dejar que los modelos te ayuden a encontrar las variables más importantes de un conjunto de datos para predecir una característica objetivo concreta. En la última lección de este capítulo, combinarás las recomendaciones de varios modelos diferentes para decidir qué características merece la pena conservar.

Exercise 1: Seleccionar características para el rendimiento del modelo Exercise 2: Creando un clasificador de diabetes Exercise 3: Eliminación recursiva de características manual Exercise 4: Eliminación recursiva de características automática Exercise 5: Selección de características basada en árboles Exercise 6: Construir un modelo de random forest Exercise 7: Random forest para la selección de características Exercise 8: Eliminación recursiva de características con random forests Exercise 9: Regresión lineal regularizada Exercise 10: Crear un regresor LASSO Exercise 11: Resultados del modelo Lasso Exercise 12: Ajustar la intensidad de la regularización Exercise 13: Combinando selectores de características Exercise 14: Crear un regresor LassoCV Exercise 15: Modelos en conjunto para votos extra Exercise 16: Combinando 3 selectores de características

Este capítulo profundiza en el algoritmo de reducción de dimensionalidad más utilizado, el Análisis de Componentes Principales (PCA). Desarrollarás intuición sobre cómo y por qué este algoritmo es tan potente y lo aplicarás tanto para la exploración de datos como para el preprocesamiento en una canalización de modelado. Terminarás con un caso práctico de compresión de imágenes muy interesante.

Exercise 1: Extracción de características Exercise 2: Extracción manual de características I Exercise 3: Extracción manual de características II Exercise 4: Intuición sobre los componentes principales Exercise 5: Análisis de componentes principales Exercise 6: Calcular componentes principales Exercise 7: PCA en un conjunto de datos más grande Exercise 8: Varianza explicada por PCA Exercise 9: Aplicaciones de PCA Exercise 10: Entender los componentes Exercise 11: PCA para explorar características Exercise 12: PCA en una canalización de modelo Exercise 13: Selección de componentes principales Exercise 14: Seleccionar la proporción de varianza a conservar Exercise 15: Elegir el número de componentes Exercise 16: PCA para compresión de imágenes Exercise 17: ¡Enhorabuena!