Sprawdzanie brakujących wartości

Identyfikowanie brakujących wartości jest ważnym krokiem w analizie danych. Korzystając z tego samego zbioru danych, obliczysz łączną liczbę brakujących wartości, iterując po wierszach i kolumnach. Po ich znalezieniu konieczne jest odpowiednie postępowanie z takimi wartościami – na przykład za pomocą Imputer z biblioteki sklearn. Brakujące wartości muszą być obsłużone, ponieważ w przeciwnym razie prawidłowe przewidywanie CTR będzie znacznie utrudnione.

Przykładowe dane w postaci DataFrame są wczytane jako df. Biblioteka pandas jest dostępna w środowisku jako pd.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Instrukcje do ćwiczenia

Wyświetl podstawowe podsumowanie kolumn za pomocą .info().
Wyświetl brakujące wartości według kolumn, używając .isnull() (nie zapomnij o nawiasach!).
Wyświetl łączną liczbę brakujących wartości według wierszy, używając axis = 1 oraz .sum().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Print info
print(df.____)

# Print missing values by column 
print(df.____.sum(____ = 0))

# Print total number of missing values in rows
print(df.____.sum(____ = 1).____)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

SkillTag.level.intermediateSkillTag.label

4.9+

Rozpocznij kurs za darmo

Prawdopodobnie trafiłeś na tę stronę, klikając jakiś link. W tym rozdziale dowiesz się, dlaczego współczynniki klikalności (CTR) odgrywają kluczową rolę w reklamie ukierunkowanej, jak wykonywać podstawowe operacje na DataFrame oraz jak używać modeli uczenia maszynowego do przewidywania CTR.

Exercise 1: Wprowadzenie do współczynników klikalności Exercise 2: Pierwsze kroki Exercise 3: Eksploracja cech Exercise 4: Pierwsze spojrzenie na dane Exercise 5: Przegląd modeli uczenia maszynowego Exercise 6: Regresja logistyczna do wykrywania raka piersi Exercise 7: Regresja logistyczna dla obrazów Exercise 8: Drugi model testowy Exercise 9: Przewidywanie CTR za pomocą drzew decyzyjnych Exercise 10: Implementacja modelu Exercise 11: Pierwszy model CTR Exercise 12: Poza samą dokładnością

Ten rozdział stanowi podstawę eksploracyjnej analizy danych (EDA). Korzystając z przykładowych danych, użyjesz biblioteki pandas, aby przyjrzeć się kolumnom i typom danych, zbadać brakujące wartości oraz zastosować haszowanie do inżynierii cech kategorycznych. Wszystkie te umiejętności są niezbędne podczas eksploracji cech na potrzeby dokładniejszego przewidywania CTR.

Exercise 1: Eksploracyjna analiza danych Exercise 2: Pierwsze spojrzenie Exercise 3: Sprawdzanie brakujących wartości

Bieżące ćwiczenie

Exercise 4: Rozkłady według CTR Exercise 5: Inżynieria cech Exercise 6: Analiza kolumn datetime Exercise 7: Konwersja zmiennych kategorycznych Exercise 8: Tworzenie nowych cech Exercise 9: Standaryzacja cech Exercise 10: Normalizacja logarytmiczna Exercise 11: Rozumienie standaryzacji Exercise 12: Skalowanie standardowe

Czas zagłębić się w temat. Przekonasz się, jak miary wydajności modelu – takie jak precyzja i recall – pomagają odpowiadać na pytania z realnego świata, na przykład dotyczące zwrotu z inwestycji w reklamę. Nauczysz się też, jak poprawiać te miary ewaluacji, korzystając z metod zespołowych i strojenia hiperparametrów.

Exercise 1: Zastosowania oceny metryk Exercise 2: Cztery kategorie wyników Exercise 3: Ocena czterech kategorii Exercise 4: ROI z wydatków na reklamy Exercise 5: Ocena modelu Exercise 6: Precyzja i czułość Exercise 7: Punkt odniesienia Exercise 8: Porównanie klasyfikatorów Exercise 9: Dostrajanie modeli Exercise 10: Regularyzacja Exercise 11: Walidacja krzyżowa Exercise 12: Wybór modelu Exercise 13: Ensembles i dostrajanie hiperparametrów Exercise 14: Strojenie hiperparametrów – podstawy Exercise 15: Lasy losowe Exercise 16: Przeszukiwanie siatki

CTR kampanii może mieć duży wpływ na zyski. W tym rozdziale dowiesz się, jak uczenie głębokie pomaga ograniczyć to ryzyko. Skupisz się na modelu wielowarstwowego perceptronu (MLP) i sieciach neuronowych, a także poznasz, jak wykorzystać je do uchwycenia złożonych zależności między zmiennymi w celu dokładniejszego przewidywania CTR. Na koniec zapoznasz się z podstawami strojenia hiperparametrów i regularyzacji w modelach klasyfikacyjnych.

Exercise 1: Wprowadzenie do uczenia głębokiego Exercise 2: Zrozumienie MLP Exercise 3: Pierwszy model Exercise 4: MLP dla CTR Exercise 5: Dostrajanie hiperparametrów w uczeniu głębokim Exercise 6: Strojenie hiperparametrów w sieciach MLP Exercise 7: Zmiana hiperparametrów Exercise 8: Przeszukiwanie siatki dla MLP Exercise 9: Ocena modelu Exercise 10: Wynik F-beta Exercise 11: Niska precyzja i wysokie AUC Exercise 12: Precyzja, ROI i AUC Exercise 13: Przegląd i porównanie modeli Exercise 14: Rozgrzewka: porównanie modeli Exercise 15: Ocena precyzji i ROI Exercise 16: Pełna ocena modeli Exercise 17: Podsumowanie wideo