Creazione di variabili dummy

La possibilità di includere caratteristiche categoriche nel processo di costruzione del modello può migliorare le prestazioni, in quanto possono aggiungere informazioni che contribuiscono all'accuratezza della previsione.

Il dataset music_df è stato precaricato e la sua forma viene stampata. Inoltre, pandas è stato importato come pd.

Ora creerai un nuovo DataFrame contenente le colonne originali di music_df più le variabili fittizie della colonna "genre".

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

Visualizza corso

Istruzioni dell'esercizio

Utilizza una funzione pertinente, passando l'intero DataFrame music_df, per creare music_dummies, eliminando la prima colonna binaria.
Stampa la forma di music_dummies.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Create music_dummies
music_dummies = ____

# Print the new DataFrame's shape
print("Shape of music_dummies: {}".format(____))

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

In questo capitolo ti verranno presentati i problemi di classificazione e imparerai a risolverli con tecniche di apprendimento supervisionato. Imparerai a suddividere i dati in training e test set, addestrare un modello, fare previsioni e valutarne l'accuratezza. Scoprirai il rapporto tra complessità del modello e prestazioni, applicando quanto appreso a un insieme di dati di churn, in cui classificherai lo stato di abbandono dei clienti di un'azienda di telecomunicazioni.

Exercise 1: Apprendimento automatico con scikit-learn Exercise 2: Classificazione binaria Exercise 3: Il flusso di lavoro dell'apprendimento supervisionato Exercise 4: La sfida della classificazione Exercise 5: k-Nearest Neighbors: Fit Exercise 6: k-Nearest Neighbors: Prevedere Exercise 7: Misurare le prestazioni del modello Exercise 8: Divisione treno/test + calcolo dell'accuratezza Exercise 9: Overfitting e underfitting Exercise 10: Visualizzazione della complessità del modello

In questo capitolo verrai introdotto alla regressione e costruirai modelli per prevedere i valori di vendita utilizzando un insieme di dati sulla spesa pubblicitaria. Imparerai il funzionamento della regressione lineare e le metriche di prestazione più comuni, come R-squared e root mean squared error. Eseguirai una cross-validation a k fold e applicherai la regolarizzazione ai modelli di regressione per ridurre il rischio di overfitting.

Exercise 1: Introduzione alla regressione Exercise 2: Creazione di caratteristiche Exercise 3: Costruire un modello di regressione lineare Exercise 4: Visualizzazione di un modello di regressione lineare Exercise 5: Le basi della regressione lineare Exercise 6: Adattamento e previsione per la regressione Exercise 7: Valutare le prestazioni della regressione Exercise 8: Convalida incrociata Exercise 9: Convalida incrociata per l'R-squared Exercise 10: Analisi delle metriche di convalida incrociata Exercise 11: Regressione regolarizzata Exercise 12: Regressione regolarizzata: Crinale Exercise 13: Regressione Lasso per l'importanza delle caratteristiche

Dopo aver addestrato i modelli, imparerai a valutarli. In questo capitolo ti verranno presentate diverse metriche e una tecnica di visualizzazione per analizzare le prestazioni dei modelli di classificazione con scikit-learn. Imparerai anche a ottimizzare i modelli di classificazione e regressione tramite il tuning degli iperparametri.

Exercise 1: Quanto è bello il tuo modello?Exercise 2: Decidere una metrica primaria Exercise 3: Valutazione di un classificatore di previsione del diabete Exercise 4: Regressione logistica e curva ROC Exercise 5: Costruire un modello di regressione logistica Exercise 6: La curva ROC Exercise 7: ROC AUC Exercise 8: Regolazione dell'iperparametro Exercise 9: Regolazione degli iperparametri con GridSearchCV Exercise 10: Sintonizzazione degli iperparametri con RandomizedSearchCV

Impara a imputare i valori mancanti, convertire i dati categorici in valori numerici, scalare i dati, valutare contemporaneamente più modelli di apprendimento supervisionato e creare pipeline per rendere più efficiente il tuo flusso di lavoro!

Exercise 1: Pre-elaborazione dei dati Exercise 2: Creazione di variabili dummy

Esercizio attuale

Exercise 3: Regressione con caratteristiche categoriche Exercise 4: Gestione dei dati mancanti Exercise 5: Eliminazione dei dati mancanti Exercise 6: Pipeline per la previsione del genere di canzone: I Exercise 7: Pipeline per la previsione del genere di canzone: II Exercise 8: Centratura e scalatura Exercise 9: Centratura e scalatura per la regressione Exercise 10: Centratura e scalatura per la classificazione Exercise 11: Valutazione di più modelli Exercise 12: Visualizzazione delle prestazioni del modello di regressione Exercise 13: Predire sul set di test Exercise 14: Visualizzazione delle prestazioni del modello di classificazione Exercise 15: Pipeline per la previsione della popolarità delle canzoni Exercise 16: Congratulazioni