or
Den här övningen är en del av kursen
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.
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.
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.
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.
Aktuell övning