Kom igångKom igång gratis

Hem
Kurser
Dimensionsreduktion i Python

t-SNE-visualisering av högdimensionell data

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.

Den här övningen är en del av kursen

Dimensionsreduktion i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Du introduceras till begreppet dimensionsreduktion och lär dig när och varför det är viktigt. Du lär dig skillnaden mellan särdragsurval och särdragsextraktion och tillämpar båda teknikerna för datautforskning. Kapitlet avslutas med en lektion om t-SNE, en kraftfull särdragsextraktionsteknik som låter dig visualisera en högdimensionell datamängd.

Exercise 1: Introduktion Exercise 2: Hitta antalet dimensioner i en datamängd Exercise 3: Ta bort särdrag utan varians Exercise 4: Funktionsurval vs. funktionsextraktion Exercise 5: Identifiera redundanta särdrag visuellt Exercise 6: Fördelen med särdragsurval Exercise 7: t-SNE-visualisering av högdimensionell data

Aktuell övning

Exercise 8: t-SNE – grundläggande intuition Exercise 9: Anpassa t-SNE till ANSUR-data Exercise 10: t-SNE-visualisering av dimensionalitet

I det här första av två kapitel om särdragsurval lär du dig om dimensionalitetens förbannelse och hur dimensionsreduktion kan hjälpa dig att hantera den. Du introduceras till ett antal tekniker för att identifiera och ta bort särdrag som tillför datamängden lite mervärde – antingen för att de har liten varians, för många saknade värden, eller för att de är starkt korrelerade med andra särdrag.

Exercise 1: Dimensionalitetens förbannelse Exercise 2: Tränings- och testuppdelning Exercise 3: Anpassa och testa modellen Exercise 4: Noggrannhet efter dimensionalitetsreduktion Exercise 5: Särdrag med saknade värden eller liten varians Exercise 6: Hitta ett lämpligt varianströskel Exercise 7: Särdrag med låg varians Exercise 8: Ta bort särdrag med många saknade värden Exercise 9: Parvis korrelation Exercise 10: Intuition om korrelation Exercise 11: Undersöka korrelationsmatrisen Exercise 12: Visualisera korrelationsmatrisen Exercise 13: Ta bort starkt korrelerade särdrag Exercise 14: Filtrera bort starkt korrelerade särdrag Exercise 15: Kärnenergi och drunkningsolyckor i pooler

I det här andra kapitlet om särdragsurval lär du dig hur modeller kan hjälpa dig att hitta de viktigaste särdragen i en datamängd för att förutsäga ett visst målsärdrag. I kapitelets sista lektion kombinerar du råd från flera olika modeller för att avgöra vilka särdrag som är värda att behålla.

Exercise 1: Välja särdrag för modellens prestanda Exercise 2: Bygg en diabetesklassificerare Exercise 3: Manuell rekursiv särdragseliminering Exercise 4: Automatisk rekursiv särdragsurval Exercise 5: Trädbaserat särdragsurval Exercise 6: Bygga en random forest-modell Exercise 7: Slumpskogar för urval av särdrag Exercise 8: Rekursiv särdragseliminering med random forests Exercise 9: Regulariserad linjär regression Exercise 10: Skapa en LASSO-regressor Exercise 11: Resultat från Lasso-modellen Exercise 12: Justera regulariseringsstyrkan Exercise 13: Kombinera metoder för särdragsurval Exercise 14: Skapa en LassoCV-regressor Exercise 15: Ensemblemodeller för extra röster Exercise 16: Kombinera 3 särdragsväljare

Det här kapitlet är en fördjupning i den mest använda algoritmen för dimensionsreduktion: principalkomponentanalys (PCA). Du bygger upp en intuitiv förståelse för hur och varför den här algoritmen är så kraftfull, och tillämpar den både för datautforskning och dataförbehandling i en modelleringspipeline. Kapitlet avslutas med ett praktiskt exempel på bildkomprimering.

Exercise 1: Särdragsextraktion Exercise 2: Manuell särdragsextraktion I Exercise 3: Manuell särdragsextraktion II Exercise 4: Intuition om principalkomponenter Exercise 5: Principalkomponentanalys Exercise 6: Beräkna principalkomponenter Exercise 7: PCA på ett större dataset Exercise 8: PCA förklarad varians Exercise 9: PCA-tillämpningar Exercise 10: Förstå komponenterna Exercise 11: PCA för särdragsutforskning Exercise 12: PCA i en modellpipeline Exercise 13: Val av principalkomponenter Exercise 14: Välja andelen varians att behålla Exercise 15: Välja antal komponenter Exercise 16: PCA för bildkomprimering Exercise 17: Grattis!