ComeçarComece de graça

Inicio
Cursos
Redução de Dimensionalidade em Python

Recursos com valores ausentes ou pouca variância

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.

Este exercício faz parte do curso

Redução de Dimensionalidade em Python

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Você será apresentado ao conceito de redução de dimensionalidade e vai aprender quando e por que isso é importante. Vai aprender a diferença entre seleção de variáveis e extração de características e aplicará ambas as técnicas para explorar dados. O capítulo termina com uma lição sobre t-SNE, uma poderosa técnica de extração que permite visualizar um conjunto de dados de alta dimensão.

Exercise 1: Introdução Exercise 2: Descobrindo o número de dimensões em um conjunto de dados Exercise 3: Removendo features sem variância Exercise 4: Seleção de atributos vs. extração de atributos Exercise 5: Detectando visualmente recursos redundantes Exercise 6: Vantagem da seleção de features Exercise 7: Visualização com t-SNE de dados de alta dimensão Exercise 8: Intuição sobre t-SNE Exercise 9: Ajustando t-SNE aos dados do ANSUR Exercise 10: Visualização de dimensionalidade com t-SNE

Neste primeiro de dois capítulos sobre seleção de variáveis, você vai aprender sobre a “maldição da dimensionalidade” e como a redução de dimensionalidade pode ajudar a superá-la. Você conhecerá várias técnicas para detectar e remover variáveis que agregam pouco valor ao conjunto de dados, seja porque têm pouca variância, muitos valores ausentes ou porque são fortemente correlacionadas a outras variáveis.

Exercise 1: A maldição da dimensionalidade Exercise 2: Divisão treino-teste Exercise 3: Ajustando e testando o modelo Exercise 4: Acurácia após redução de dimensionalidade Exercise 5: Recursos com valores ausentes ou pouca variância

Exercício atual

Exercise 6: Encontrando um bom limiar de variância Exercise 7: Recursos com baixa variância Exercise 8: Removendo variáveis com muitos valores ausentes Exercise 9: Correlação par a par Exercise 10: Intuição sobre correlação Exercise 11: Inspecionando a matriz de correlação Exercise 12: Visualizando a matriz de correlação Exercise 13: Removendo recursos altamente correlacionados Exercise 14: Filtrando recursos altamente correlacionados Exercise 15: Energia nuclear e afogamentos em piscinas

Neste segundo capítulo sobre seleção de variáveis, você vai aprender a usar modelos para encontrar as variáveis mais importantes de um conjunto de dados para prever um alvo específico. Na lição final, você combinará as recomendações de vários modelos diferentes para decidir quais variáveis valem a pena manter.

Exercise 1: Selecionando variáveis para desempenho do modelo Exercise 2: Construindo um classificador de diabetes Exercise 3: Eliminação Recursiva de Atributos Manual Exercise 4: Eliminação Recursiva de Atributos Automática Exercise 5: Seleção de atributos baseada em árvores Exercise 6: Construindo um modelo de random forest Exercise 7: Random forest para seleção de variáveis Exercise 8: Eliminação Recursiva de Atributos com random forests Exercise 9: Regressão linear regularizada Exercise 10: Criando um regressor LASSO Exercise 11: Resultados do modelo Lasso Exercise 12: Ajustando a intensidade da regularização Exercise 13: Combinando seletores de atributos Exercise 14: Criando um regressor LassoCV Exercise 15: Modelos em ensemble para votos extras Exercise 16: Combinando 3 seletores de atributos

Este capítulo é um mergulho profundo no algoritmo de redução de dimensionalidade mais usado, a Análise de Componentes Principais (PCA). Você vai construir intuição sobre como e por que esse algoritmo é tão poderoso e vai aplicá-lo tanto para exploração de dados quanto para pré-processamento em um pipeline de modelagem. Você termina com um caso de uso interessante de compactação de imagens.

Exercise 1: Extração de características Exercise 2: Extração manual de atributos I Exercise 3: Extração manual de atributos II Exercise 4: Intuição sobre componentes principais Exercise 5: Análise de Componentes Principais Exercise 6: Calculando Componentes Principais Exercise 7: PCA em um conjunto de dados maior Exercise 8: Variância explicada pelo PCA Exercise 9: Aplicações de PCA Exercise 10: Entendendo os componentes Exercise 11: PCA para exploração de variáveis Exercise 12: PCA em um pipeline de modelo Exercise 13: Seleção de Componentes Principais Exercise 14: Selecionando a proporção de variância a manter Exercise 15: Escolhendo o número de componentes Exercise 16: PCA para compressão de imagens Exercise 17: Parabéns!