Correlation की समझ

सहसंबंधों के बारे में कौन-सा कथन सही है?

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Dimensionality Reduction

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

हमारे इंटरैक्टिव अभ्यासों में से किसी एक के साथ सिद्धांत को व्यवहार में बदलें

अभ्यास शुरू करें

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Dimensionality Reduction

SkillTag.level.intermediateSkillTag.label

4.8+

887 reviews

पाठ्यक्रम मुफ्त में शुरू करें

आपको dimensionality reduction की अवधारणा से परिचित कराया जाएगा और आप सीखेंगे कि यह कब और क्यों महत्वपूर्ण है। आप feature selection और feature extraction के बीच का अंतर समझेंगे और डेटा exploration के लिए दोनों तकनीकों का उपयोग करेंगे। अध्याय का अंत t-SNE पर एक लेसन से होगा, जो एक शक्तिशाली feature extraction तकनीक है और आपको high-dimensional डेटासेट को visualize करने में मदद करेगी।

Exercise 1: परिचय Exercise 2: किसी डेटासेट में डाइमेंशंस की संख्या जानना Exercise 3: बिना वैरिएंस वाले फीचर्स हटाना Exercise 4: फीचर चयन बनाम फीचर एक्सट्रैक्शन Exercise 5: फालतू/डुप्लिकेट फीचर्स को विज़ुअली पहचानना Exercise 6: फीचर सेलेक्शन का फ़ायदा Exercise 7: उच्च-आयामी डेटा का t-SNE विज़ुअलाइज़ेशन Exercise 8: t-SNE की समझ Exercise 9: ANSUR डेटा पर t-SNE फिट करना Exercise 10: डायमेंशनलिटी का t-SNE विज़ुअलाइज़ेशन

Feature selection के दो अध्यायों में से पहले में, आप curse of dimensionality के बारे में जानेंगे और कैसे dimensionality reduction इससे निपटने में मदद करती है। आपको कई तकनीकों से परिचित कराया जाएगा जो ऐसे फीचर्स को पहचानने और हटाने में मदद करती हैं जिनका डेटासेट में कम योगदान होता है। या तो इसलिए कि उनमें variance कम है, missing values बहुत ज़्यादा हैं, या वे अन्य फीचर्स से बहुत मज़बूती से correlated हैं।

Exercise 1: डायमेंशनलिटी का शाप Exercise 2: Train - test split Exercise 3: मॉडल फिट करना और टेस्ट करना Exercise 4: Dimensionality reduction के बाद accuracy Exercise 5: मिसिंग वैल्यू या बहुत कम वैरिएंस वाले फीचर्स Exercise 6: एक अच्छा variance threshold ढूँढना Exercise 7: लो वैरिएंस वाले फीचर Exercise 8: बहुत अधिक missing values वाले फीचर्स हटाना Exercise 9: पेयरवाइज़ कॉरिलेशन Exercise 10: Correlation की समझ

वर्तमान अभ्यास

Exercise 11: कोरिलेशन मैट्रिक्स जाँचें Exercise 12: Correlation मैट्रिक्स का विज़ुअलाइज़ेशन Exercise 13: उच्च सह-संबद्ध फीचर हटाना Exercise 14: बहुत अधिक सह-संबद्ध फीचर्स फ़िल्टर करना Exercise 15: न्यूक्लियर ऊर्जा और पूल डूबने की घटनाएँ

Feature selection के इस दूसरे अध्याय में, आप सीखेंगे कि किसी खास target फीचर की prediction के लिए, सबसे महत्वपूर्ण फीचर्स खोजने में मॉडल्स आपकी कैसे मदद कर सकते हैं। इस अध्याय के अंतिम लेसन में, आप कई अलग-अलग मॉडलों की सलाह को मिलाकर तय करेंगे कि किन फीचर्स को रखना उचित है।

Exercise 1: मॉडल परफॉर्मेंस के लिए फीचर चुनना Exercise 2: Diabetes क्लासिफायर बनाना Exercise 3: मैनुअल Recursive Feature Elimination Exercise 4: स्वचालित Recursive Feature Elimination Exercise 5: ट्री-आधारित फीचर चयन Exercise 6: रैंडम फॉरेस्ट मॉडल बनाना Exercise 7: फीचर चयन के लिए Random forest Exercise 8: Random forests के साथ Recursive Feature Elimination Exercise 9: Regularized linear regression Exercise 10: एक LASSO रिग्रेसर बनाना Exercise 11: Lasso मॉडल के परिणाम Exercise 12: Regularization स्ट्रेंथ समायोजित करना Exercise 13: फीचर सेलेक्टर्स को मिलाकर उपयोग करना Exercise 14: LassoCV रिग्रेसर बनाना Exercise 15: अतिरिक्त वोटों के लिए एन्सेम्बल मॉडल Exercise 16: 3 फीचर सेलेक्टर्स को जोड़ना

यह अध्याय सबसे अधिक उपयोग होने वाले dimensionality reduction एल्गोरिदम, Principal Component Analysis (PCA), पर गहराई से केंद्रित है। आप समझ विकसित करेंगे कि यह एल्गोरिदम कैसे और क्यों इतना प्रभावी है, और इसे डेटा exploration तथा modeling pipeline में pre-processing दोनों के लिए लागू करेंगे। अंत में, आप एक बढ़िया image compression use case पर काम करेंगे।

Exercise 1: Feature extraction Exercise 2: Manual feature extraction I Exercise 3: मैनुअल फीचर एक्सट्रैक्शन II Exercise 4: प्रिंसिपल कॉम्पोनेंट की समझ Exercise 5: Principal Component Analysis Exercise 6: Principal Components की गणना Exercise 7: बड़े डेटासेट पर PCA Exercise 8: PCA explained variance Exercise 9: PCA के अनुप्रयोग Exercise 10: कंपोनेंट्स को समझना Exercise 11: फीचर एक्सप्लोरेशन के लिए PCA Exercise 12: मॉडल पाइपलाइन में PCA Exercise 13: Principal Component चयन Exercise 14: रखे जाने वाले variance का अनुपात चुनना Exercise 15: कितने components चुनें Exercise 16: इमेज कंप्रेशन के लिए PCA Exercise 17: बधाई हो!