CommencerCommencer gratuitement

Page d’accueil
Cours
Réduction de dimension en Python

Visualisation t-SNE de données à haute dimension

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.

Cet exercice fait partie du cours

Réduction de dimension en Python

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

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

Exercise 1: Introduction Exercise 2: Trouver le nombre de dimensions d’un jeu de données Exercise 3: Supprimer les variables sans variance Exercise 4: Sélection de variables vs. extraction de caractéristiques Exercise 5: Détecter visuellement les caractéristiques redondantes Exercise 6: Avantage de la sélection de caractéristiques Exercise 7: Visualisation t-SNE de données à haute dimension

Exercice en cours

Exercise 8: Intuition autour de t-SNE Exercise 9: Ajuster t-SNE aux données ANSUR Exercise 10: Visualisation t-SNE de la dimensionnalité

Dans ce premier chapitre consacré à la sélection de variables, vous découvrirez la malédiction de la dimensionnalité et comment la réduction de dimension peut vous aider à la surmonter. Vous verrez plusieurs techniques pour détecter et supprimer les variables qui apportent 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 variables.

Exercise 1: La malédiction de la dimensionnalité Exercise 2: Découpage train - test Exercise 3: Ajuster et tester le modèle Exercise 4: Précision après réduction de dimension Exercise 5: Variables avec des valeurs manquantes ou peu de variance Exercise 6: Trouver un bon seuil de variance Exercise 7: Variables à faible variance Exercise 8: Supprimer les variables avec de nombreuses valeurs manquantes Exercise 9: Corrélation par paires Exercise 10: Intuition sur la corrélation Exercise 11: Examiner la matrice de corrélation Exercise 12: Visualiser la matrice de corrélation Exercise 13: Supprimer les variables fortement corrélées Exercise 14: Filtrer les variables fortement corrélées Exercise 15: Énergie nucléaire et noyades en piscine

Dans ce second chapitre sur la sélection de variables, vous apprendrez à laisser les modèles vous aider à trouver les variables les plus importantes pour prédire une cible donnée. Dans la leçon finale, vous combinerez les recommandations de plusieurs modèles différents pour décider quelles variables il vaut la peine de conserver.

Exercise 1: Sélectionner des variables pour améliorer les performances du modèle Exercise 2: Construire un classificateur du diabète Exercise 3: Élimination récursive manuelle des variables Exercise 4: Élimination récursive de variables (automatique)Exercise 5: Sélection de variables basée sur les arbres Exercise 6: Construire un modèle de random forest Exercise 7: Random forest pour la sélection de variables Exercise 8: Élimination récursive de caractéristiques avec des 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 variables 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 dimension le plus utilisé, l’Analyse en composantes principales (PCA). Vous développerez une intuition sur la manière dont cet algorithme fonctionne et pourquoi il est si puissant, puis vous l’appliquerez à la fois pour l’exploration des données et pour le prétraitement dans une chaîne de modélisation. Vous terminerez par un cas d’usage sympa 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: ACP sur un jeu de données plus large Exercise 8: Variance expliquée par la PCA Exercise 9: Applications de la PCA 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: Sélectionner la proportion de variance à conserver Exercise 15: Choisir le nombre de composantes Exercise 16: ACP pour la compression d’images Exercise 17: Félicitations !