CommencezCommencez gratuitement

Accueil
Cours
Réduction de dimensionnalité en Python

Variables avec des valeurs manquantes ou une faible variance

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.

Cette activité fait partie du cours

Réduction de dimensionnalité en Python

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Vous serez initié au concept de réduction de dimensionnalité et apprendrez quand et pourquoi c'est important. Vous verrez la différence entre la sélection de caractéristiques et l'extraction de caractéristiques, puis appliquerez ces deux approches pour explorer les données. Le chapitre se termine par une leçon sur t-SNE, une puissante technique d'extraction de caractéristiques qui vous permettra de visualiser un jeu de données de grande dimension.

Exercise 1: Introduction Exercise 2: Trouver le nombre de dimensions dans un jeu de données Exercise 3: Retirer les variables sans variance Exercise 4: Sélection de caractéristiques vs extraction de caractéristiques Exercise 5: Détecter visuellement les variables redondantes Exercise 6: Avantage de la sélection de caractéristiques Exercise 7: Visualisation t-SNE de données à haute dimension Exercise 8: Intuition de t-SNE Exercise 9: Ajuster t-SNE aux données ANSUR Exercise 10: Visualisation t-SNE de la dimensionnalité

Dans ce premier de deux chapitres sur la sélection de caractéristiques, vous découvrirez la malédiction de la dimensionnalité et comment la réduction de dimensionnalité peut vous aider à la surmonter. Vous serez présenté à plusieurs techniques pour détecter et retirer les caractéristiques qui ajoutent peu de valeur au jeu de données, soit parce qu'elles ont une faible variance, trop de valeurs manquantes, ou parce qu'elles sont fortement corrélées à d'autres caractéristiques.

Exercise 1: La malédiction de la dimensionnalité Exercise 2: Division train - test Exercise 3: Ajuster et tester le modèle Exercise 4: Précision après réduction de la dimensionnalité Exercise 5: Variables avec des valeurs manquantes ou une faible variance

Exercice en cours

Exercise 6: Trouver un bon seuil de variance Exercise 7: Caractéristiques à faible variance Exercise 8: Retirer les variables avec beaucoup de valeurs manquantes Exercise 9: Corrélation par paires Exercise 10: Intuition sur la corrélation Exercise 11: Inspection de la matrice de corrélation Exercise 12: Visualiser la matrice de corrélation Exercise 13: Retirer les variables fortement corrélées Exercise 14: Filtrer les variables fortement corrélées Exercise 15: Énergie nucléaire et noyades dans les piscines

Dans ce deuxième chapitre sur la sélection de caractéristiques, vous apprendrez à laisser les modèles vous aider à trouver les caractéristiques les plus importantes d'un jeu de données pour prédire une caractéristique cible donnée. Dans la leçon finale, vous combinerez les recommandations de plusieurs modèles différents pour décider des caractéristiques à conserver.

Exercise 1: Sélectionner des caractéristiques pour la performance du modèle Exercise 2: Construire un classifieur du diabète Exercise 3: Élimination récursive des caractéristiques à la main Exercise 4: Élimination récursive de caractéristiques automatique Exercise 5: Sélection de caractéristiques basée sur les arbres Exercise 6: Créer un modèle de forêt aléatoire Exercise 7: Forêt aléatoire pour la sélection de caractéristiques Exercise 8: Élimination récursive de caractéristiques avec les forêts aléatoires Exercise 9: Régression linéaire régularisée Exercise 10: Créer un régressseur LASSO Exercise 11: Résultats du modèle Lasso Exercise 12: Ajuster l'intensité de la régularisation Exercise 13: Combiner des sélecteurs de caractéristiques Exercise 14: Créer un régressseur LassoCV Exercise 15: Modèles d'ensemble pour des votes supplémentaires Exercise 16: Combiner 3 sélecteurs de variables

Ce chapitre propose une exploration approfondie de l'algorithme de réduction de dimensionnalité le plus utilisé, l'Analyse en composantes principales (ACP). Vous développerez une intuition sur le fonctionnement et la puissance de cet algorithme, puis l'appliquerez à la fois pour l'exploration des données et le prétraitement dans une chaîne de modélisation. Vous terminerez avec une application intéressante de compression d'images.

Exercise 1: Extraction de caractéristiques Exercise 2: Extraction manuelle de caractéristiques I Exercise 3: Extraction manuelle de caractéristiques II Exercise 4: Intuition sur les composantes principales Exercise 5: Analyse en composantes principales Exercise 6: Calcul des composantes principales Exercise 7: PCA sur un jeu de données plus grand Exercise 8: Variance expliquée par l'ACP Exercise 9: Applications de l'ACP Exercise 10: Comprendre les composantes Exercise 11: ACP pour l'exploration des caractéristiques Exercise 12: ACP dans un pipeline de modèle Exercise 13: Sélection des composantes principales Exercise 14: Choisir la proportion de variance à conserver Exercise 15: Choisir le nombre de composantes Exercise 16: ACP pour la compression d'images Exercise 17: Félicitations !