Zacznij terazZacznij za darmo

Strona główna
Kursy
Redukcja wymiarowości w Pythonie

Cechy z brakującymi wartościami lub małą wariancją

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.

To ćwiczenie jest częścią kursu

Redukcja wymiarowości w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Poznasz koncepcję redukcji wymiarowości i dowiesz się, kiedy i dlaczego jest ona istotna. Nauczysz się rozróżniać selekcję cech od ekstrakcji cech oraz zastosujesz obie techniki w eksploracji danych. Rozdział kończy się lekcją poświęconą t-SNE – potężnej technice ekstrakcji cech, która pozwoli ci zwizualizować zbiór danych o wysokiej wymiarowości.

Exercise 1: Wprowadzenie Exercise 2: Znajdowanie liczby wymiarów w zbiorze danych Exercise 3: Usuwanie cech bez wariancji Exercise 4: Selekcja cech a ekstrakcja cech Exercise 5: Wizualne wykrywanie redundantnych cech Exercise 6: Zaleta selekcji cech Exercise 7: Wizualizacja t-SNE danych wielowymiarowych Exercise 8: Intuicja za t-SNE Exercise 9: Dopasowywanie t-SNE do danych ANSUR Exercise 10: Wizualizacja t-SNE redukcji wymiarowości

W pierwszym z dwóch rozdziałów poświęconych selekcji cech dowiesz się, czym jest przekleństwo wymiarowości i jak redukcja wymiarowości pomaga sobie z nim poradzić. Poznasz szereg technik wykrywania i usuwania cech, które wnoszą do zbioru danych niewielką wartość – czy to ze względu na niską wariancję, zbyt dużą liczbę brakujących wartości, czy silną korelację z innymi cechami.

Exercise 1: Przekleństwo wymiarowości Exercise 2: Podział na zbiór treningowy i testowy Exercise 3: Dopasowywanie i testowanie modelu Exercise 4: Dokładność po redukcji wymiarowości Exercise 5: Cechy z brakującymi wartościami lub małą wariancją

Bieżące ćwiczenie

Exercise 6: Wybór odpowiedniego progu wariancji Exercise 7: Cechy o niskiej wariancji Exercise 8: Usuwanie cech z dużą liczbą brakujących wartości Exercise 9: Korelacja parami Exercise 10: Intuicja korelacji Exercise 11: Analiza macierzy korelacji Exercise 12: Wizualizacja macierzy korelacji Exercise 13: Usuwanie silnie skorelowanych cech Exercise 14: Usuwanie silnie skorelowanych cech Exercise 15: Energia jądrowa i utonięcia w basenach

W drugim rozdziale poświęconym selekcji cech nauczysz się, jak wykorzystać modele do znajdowania najważniejszych cech w zbiorze danych, przydatnych przy przewidywaniu określonej zmiennej docelowej. W ostatniej lekcji tego rozdziału połączysz wskazówki wielu różnych modeli, by zdecydować, które cechy warto zachować.

Exercise 1: Wybór cech pod kątem wydajności modelu Exercise 2: Budowanie klasyfikatora cukrzycy Exercise 3: Ręczna rekurencyjna eliminacja cech Exercise 4: Automatyczna rekurencyjna eliminacja cech Exercise 5: Selekcja cech oparta na drzewach decyzyjnych Exercise 6: Budowanie modelu lasu losowego Exercise 7: Las losowy do selekcji cech Exercise 8: Rekurencyjna eliminacja cech z lasami losowymi Exercise 9: Regresja liniowa z regularyzacją Exercise 10: Tworzenie regresora LASSO Exercise 11: Wyniki modelu Lasso Exercise 12: Dostosowywanie siły regularyzacji Exercise 13: Łączenie metod selekcji cech Exercise 14: Tworzenie regresora LassoCV Exercise 15: Modele zespołowe jako dodatkowe głosy Exercise 16: Łączenie 3 selektorów cech

Ten rozdział to dogłębna analiza najczęściej stosowanego algorytmu redukcji wymiarowości – analizy głównych składowych (PCA). Zbudujesz intuicję dotyczącą tego, jak i dlaczego ten algorytm jest tak skuteczny, oraz zastosujesz go zarówno do eksploracji danych, jak i do ich wstępnego przetwarzania w potoku modelowania. Rozdział zakończy ciekawy przykład zastosowania PCA do kompresji obrazów.

Exercise 1: Ekstrakcja cech Exercise 2: Ręczna ekstrakcja cech I Exercise 3: Ręczna ekstrakcja cech II Exercise 4: Intuicja składowych głównych Exercise 5: Analiza głównych składowych Exercise 6: Obliczanie głównych składowych Exercise 7: PCA na większym zbiorze danych Exercise 8: Wyjaśniona wariancja PCA Exercise 9: Zastosowania PCA Exercise 10: Interpretacja składowych głównych Exercise 11: PCA do eksploracji cech Exercise 12: PCA w potoku modelu Exercise 13: Wybór głównych składowych Exercise 14: Wybór proporcji wyjaśnianej wariancji Exercise 15: Wybór liczby składowych Exercise 16: PCA do kompresji obrazów Exercise 17: Gratulacje!