시작하기무료로 시작하기

홈
강의
Python으로 배우는 차원 축소

결측치가 있거나 분산이 작은 특성

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.

이 연습은 강의의 일부입니다

Python으로 배우는 차원 축소

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

차원 축소의 개념을 소개하고, 이것이 왜 그리고 언제 중요한지 살펴봅니다. 특성 선택과 특성 추출의 차이를 배우고, 두 기법을 모두 데이터 탐색에 적용해 볼 거예요. 이 장의 마지막에는 고차원 데이터셋을 시각화할 수 있게 해 주는 강력한 특성 추출 기법인 t-SNE를 다룹니다.

Exercise 1: 소개 Exercise 2: 데이터셋의 차원 수 확인하기 Exercise 3: 분산이 없는 피처 제거하기 Exercise 4: 특성 선택 vs. 특성 추출 Exercise 5: 중복 특성을 시각적으로 찾아내기 Exercise 6: 특징 선택의 장점 Exercise 7: 고차원 데이터의 t-SNE 시각화 Exercise 8: t-SNE 직관 이해하기 Exercise 9: ANSUR 데이터에 t-SNE 적합하기 Exercise 10: 차원에 대한 t-SNE 시각화

두 장에 걸친 특성 선택의 첫 번째 장에서는 차원의 저주와, 차원 축소가 이를 어떻게 극복하도록 돕는지 배웁니다. 분산이 거의 없거나, 결측값이 너무 많거나, 다른 특성과 강하게 상관되어 있어 데이터셋에 가치를 거의 더하지 못하는 특성을 감지하고 제거하는 여러 기법을 소개합니다.

Exercise 1: 차원의 저주 Exercise 2: Train - test split Exercise 3: 모델 학습과 성능 테스트 Exercise 4: 차원 축소 후 정확도 Exercise 5: 결측치가 있거나 분산이 작은 특성

현재 연습

Exercise 6: 적절한 분산 임곗값 찾기 Exercise 7: 분산이 낮은 특성 Exercise 8: 결측치가 많은 피처 제거하기 Exercise 9: 쌍별 상관관계 Exercise 10: 상관관계 직관 Exercise 11: 상관계수 행렬 살펴보기 Exercise 12: 상관 행렬 시각화하기 Exercise 13: 상관성이 매우 높은 피처 제거하기 Exercise 14: 높은 상관관계 특징 걸러내기 Exercise 15: 원자력 발전과 수영장 익사 사고

특성 선택의 두 번째 장에서는, 특정 타깃 특성을 예측할 때 데이터셋에서 가장 중요한 특성을 찾도록 모델의 도움을 받는 방법을 배웁니다. 이 장의 마지막 수업에서는 서로 다른 여러 모델의 조언을 종합해 보존할 가치가 있는 특성을 결정합니다.

Exercise 1: 모델 성능을 위한 특징 선택 Exercise 2: 당뇨병 분류기 만들기 Exercise 3: 수동 Recursive Feature Elimination Exercise 4: 자동화된 재귀적 특징 제거 Exercise 5: 트리 기반 특성 선택 Exercise 6: 랜덤 포레스트 모델 구축하기 Exercise 7: 특성 선택을 위한 랜덤 포레스트 Exercise 8: 랜덤 포레스트로 하는 재귀적 특징 제거 Exercise 9: 정규화 선형 회귀 Exercise 10: LASSO 회귀 모델 만들기 Exercise 11: Lasso 모델 결과 Exercise 12: 정규화 강도 조정하기 Exercise 13: 특성 선택기 결합하기 Exercise 14: LassoCV 회귀 모형 만들기 Exercise 15: 추가 투표를 위한 앙상블 모델 Exercise 16: 세 가지 특성 선택기 결합하기

이 장은 가장 널리 사용되는 차원 축소 알고리즘인 주성분 분석(PCA)을 깊이 있게 다룹니다. 이 알고리즘이 왜, 어떻게 강력한지에 대한 직관을 쌓고, 데이터 탐색과 모델링 파이프라인의 전처리 모두에 적용해 볼 거예요. 멋진 이미지 압축 사례로 마무리합니다.

Exercise 1: 특징 추출 Exercise 2: 수동 특성 추출 I Exercise 3: 수동 특성 추출 II Exercise 4: 주성분에 대한 직관 Exercise 5: 주성분 분석 Exercise 6: 주성분 계산하기 Exercise 7: 더 큰 데이터셋에서 PCA 적용 Exercise 8: 설명된 분산과 PCA Exercise 9: PCA 활용 사례 Exercise 10: 주성분 이해하기 Exercise 11: 특성 탐색을 위한 PCA Exercise 12: 모델 파이프라인에서의 PCA Exercise 13: 주성분 선택 Exercise 14: 보존할 분산 비율 선택하기 Exercise 15: 주성분 개수 선택하기 Exercise 16: 이미지 압축을 위한 PCA Exercise 17: 축하합니다!