कच्चे डेटा की सूचना-सामग्री बढ़ाना

Create Your Free Account

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

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Feature Engineering

SkillTag.level.intermediateSkillTag.label

4.8+

कच्चा डेटा अक्सर विश्लेषण के लिए आदर्श रूप में नहीं होता। इस शुरुआती अध्याय में, आप देखेंगे कि कैसे फीचर्स को ट्रांसफ़ॉर्म और क्रिएट करके अपने मॉडल के प्रदर्शन और व्याख्येयता को बेहतर बनाया जा सकता है।

Exercise 1: Feature engineering क्या है?Exercise 2: एक प्रारंभिक मॉडल Exercise 3: किसी फीचर को मैन्युअली इंजीनियर करना Exercise 4: डोमेन नॉलेज का उपयोग करके नए फीचर बनाना Exercise 5: विश्लेषण के लिए अपना डेटा तैयार करना Exercise 6: एक वर्कफ़्लो बनाना Exercise 7: कच्चे डेटा की सूचना-सामग्री बढ़ाना

वर्तमान अभ्यास

Exercise 8: Missing values की पहचान Exercise 9: Missing वैल्यूज़ की इम्प्यूटिंग और dummy वैरिएबल्स बनाना Exercise 10: मॉडल को फिट करना और आकलन करना Exercise 11: होटल बुकिंग की भविष्यवाणी

इस अध्याय में, आप सीखेंगे कि मैन्युअल रूप से फीचर्स बदलने से आगे बढ़कर, आप tidyverse के टूल का उपयोग करके प्रोग्रामेटिक तरीके से नए वैरिएबल्स इंजीनियर कर सकते हैं। आप जानेंगे कि यह तरीका आपके मॉडलों की पुनरुत्पादकता को कैसे बेहतर बनाता है और विशेष रूप से तब उपयोगी होता है जब डेटासेट में बहुत सारे फीचर्स हों।

Exercise 1: मौजूदा फीचर्स को ट्रांसफॉर्म क्यों करें?Exercise 2: अपने डेटा पर एक नज़र Exercise 3: Normalizing और log-transforming Exercise 4: Fit और augment Exercise 5: अपने मॉडल के आकलन को कस्टमाइज़ करें Exercise 6: आम फीचर ट्रांसफ़ॉर्मेशन Exercise 7: Common transformations Exercise 8: साधारण recipe Exercise 9: Box-Cox ट्रांसफॉर्मेशन Exercise 10: Yeo-Johnson ट्रांसफॉर्मेशन Exercise 11: एडवांस्ड ट्रांसफ़ॉर्मेशन Exercise 12: बेसलाइन Exercise 13: step_poly()Exercise 14: step_percentile()Exercise 15: कौन ठहर रहा है?

अब आप सीखेंगे कि मॉडल अक्सर डायमेंशनलिटी घटाने और हाई-डायमेंशनल डेटा से फीचर्स निकालने से लाभ उठाते हैं, जिसमें टेक्स्ट डेटा को संख्यात्मक मानों में बदलना, कैटेगोरिकल डेटा को एन्कोड करना, और वैरिएबल्स की प्रेडिक्टिव पावर की रैंकिंग शामिल है। आप principal component analysis, kernel principal component analysis, टेक्स्ट से संख्यात्मक निष्कर्षण, कैटेगोरिकल एन्कोडिंग्स, और वैरिएबल इम्पोर्टेंस स्कोर्स जैसी विधियों का अन्वेषण करेंगे।

Exercise 1: आयाम कम करना Exercise 2: तैयारी का चरण Exercise 3: स्ट्रक्चर में गहराई से देखना Exercise 4: Percent variance explained Exercise 5: Variance explained का विज़ुअलाइज़ेशन Exercise 6: फीचर हैशिंग Exercise 7: Education field की जाँच Exercise 8: मैट्रिक्स की ओर Exercise 9: हैशिंग की जाँच Exercise 10: हैशिंग का विज़ुअलाइज़ेशन Exercise 11: सुपरवाइज़्ड लर्निंग का उपयोग करके श्रेणीबद्ध डेटा को एन्कोड करना Exercise 12: अपना workflow सेट करना Exercise 13: Fitting, augmenting, और assessing Exercise 14: मॉडलों को साथ में बाँधना Exercise 15: वैरिएबल इम्पॉर्टेंस Exercise 16: एक वर्कफ़्लो बनाएँ Exercise 17: Fit और augment Exercise 18: मुख्य प्रेडिक्टर कौन सा है?

आप इस कोर्स का समापन फीचर इंजीनियरिंग और मशीन लर्निंग तकनीकों को सीखकर करेंगे। आप शुरुआत में इस समस्या पर ध्यान देंगे कि किसी मॉडल में उपलब्ध सभी फीचर्स का उपयोग क्यों मुद्दे पैदा कर सकता है, और अप्रासंगिक तथा अनावश्यक फीचर्स की पहचान कर उन्हें हटाना क्यों ज़रूरी है, खासकर lasso और elastic-net जैसी embedded मेथड्स का प्रयोग करके। इसके बाद, आप lasso, ridge, और elastic-net जैसी shrinkage मेथड्स का अध्ययन करेंगे, जो फीचर वेट्स को रेग्युलराइज़ करने या कोएफिशिएंट्स को शून्य पर सेट करके फीचर्स को चुनने में काम आती हैं। अंत में, आप एंड-टू-एंड फीचर इंजीनियरिंग वर्कफ़्लो बनाकर, सीखी हुई अवधारणाओं और फ़ंक्शन्स की समीक्षा करेंगे और एक छोटे से प्रोजेक्ट में अभ्यास करेंगे।

Exercise 1: मॉडल के फीचर्स घटाना Exercise 2: वैरिएबल इम्पॉर्टेंस से छनाई Exercise 3: सभी उपलब्ध प्रेडिक्टर्स का उपयोग करके मॉडल परफॉर्मेंस का आकलन Exercise 4: एक छोटा (Reduced) मॉडल बनाना Exercise 5: श्रीनकेज (shrinkage) विधियाँ Exercise 6: Lasso के साथ मैनुअल रेग्युलराइज़ेशन Exercise 7: Penalty को ट्यून करना Exercise 8: मॉडल को अंतिम रूप देना Exercise 9: सभी को एक साथ जोड़ना Exercise 10: Prep और split Exercise 11: प्रीप्रोसेस Exercise 12: मॉडल Exercise 13: आकलन करें Exercise 14: बधाई हो!