Varyansı olmayan özellikleri kaldırma

Pokemon veri kümesinin bir örneği pokemon_df olarak yüklendi. Hangi özelliklerin düşük varyansa sahip olduğuna dair fikir edinmek için IPython Shell’i kullanarak bu örnek üzerinde özet istatistikleri hesaplamalısın. Ardından, daha küçük ve anlaşılması daha kolay bir veri kümesi oluşturmak için kodu ayarla.

Bu egzersiz, kursun bir parçasıdır

Python'da Boyut Azaltma

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Remove the feature without variance from this list
number_cols = ['HP', 'Attack', 'Defense', 'Generation']

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

Python'da Boyut Azaltma

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Boyut azaltma kavramıyla tanışacak ve bunun ne zaman ve neden önemli olduğunu öğreneceksin. Özellik seçimi ile özellik çıkarımı arasındaki farkı anlayacak ve her iki tekniği de veri keşfi için uygulayacaksın. Bölüm, yüksek boyutlu bir veri kümesini görselleştirmeni sağlayan güçlü bir özellik çıkarımı tekniği olan t-SNE dersiyle sona erer.

Exercise 1: Giriş Exercise 2: Bir veri kümesindeki boyut sayısını bulma Exercise 3: Varyansı olmayan özellikleri kaldırma

Geçerli egzersiz

Exercise 4: Özellik seçimi ve özellik çıkarımı Exercise 5: Gereksiz özellikleri görsel olarak tespit etme Exercise 6: Öznitelik seçiminin avantajı Exercise 7: Yüksek boyutlu verilerin t-SNE görselleştirmesi Exercise 8: t-SNE sezgisi Exercise 9: ANSUR verisine t-SNE uygulama Exercise 10: Boyutsallığın t-SNE görselleştirmesi

Özellik seçimine dair iki bölümün ilkinde, boyutsallığın lanetini ve boyut azaltmanın bununla nasıl başa çıkmana yardım edebileceğini öğreneceksin. Veri kümesine çok az katma değer sağlayan özellikleri tespit edip kaldırmak için kullanılacak çeşitli tekniklerle tanışacaksın. Bunun nedeni, düşük varyansa sahip olmaları, çok fazla eksik değer içermeleri ya da diğer özelliklerle güçlü şekilde korele olmaları olabilir.

Exercise 1: Boyutsallık laneti Exercise 2: Train - test split Exercise 3: Modeli uydurma ve test etme Exercise 4: Boyut indirgeme sonrası doğruluk Exercise 5: Eksik değerli veya düşük varyanslı özellikler Exercise 6: İyi bir varyans eşiği bulma Exercise 7: Düşük varyanslı özellikler Exercise 8: Çok sayıda eksik değeri olan özellikleri kaldırma Exercise 9: Çift yönlü korelasyon Exercise 10: Korelasyon sezgisi Exercise 11: Korelasyon matrisini inceleme Exercise 12: Korelasyon matrisini görselleştirme Exercise 13: Yüksek korelasyonlu özellikleri kaldırma Exercise 14: Yüksek korelasyonlu özellikleri filtreleme Exercise 15: Nükleer enerji ve havuz boğulmaları

Özellik seçimine dair bu ikinci bölümde, belirli bir hedef özelliği tahmin etmek için bir veri kümesindeki en önemli özellikleri bulmana modellerin nasıl yardım edebileceğini öğreneceksin. Bu bölümün son dersinde, hangi özellikleri tutmaya değer olduğuna karar vermek için birden fazla, farklı modelin önerilerini birleştireceksin.

Exercise 1: Model performansı için özellik seçimi Exercise 2: Bir diyabet sınıflandırıcı oluşturma Exercise 3: Manuel Özyinelemeli Öznitelik Eleme Exercise 4: Otomatik Özyineli Özellik Eleme Exercise 5: Ağaç tabanlı özellik seçimi Exercise 6: Bir random forest modeli kurma Exercise 7: Özellik seçimi için random forest Exercise 8: Rastgele ormanlarla Recursive Feature Elimination Exercise 9: Düzenlileştirilmiş doğrusal regresyon Exercise 10: Bir LASSO regresörü oluşturma Exercise 11: Lasso model sonuçları Exercise 12: Düzenlileştirme gücünü ayarlama Exercise 13: Özellik seçicileri birleştirme Exercise 14: Bir LassoCV regresörü oluşturma Exercise 15: Ek oylar için ensemble modeller Exercise 16: 3 özellik seçiciyi birleştirme

Bu bölüm, en sık kullanılan boyut azaltma algoritması Principal Component Analysis (PCA) üzerine derinlemesine bir inceleme sunar. Bu algoritmanın nasıl ve neden bu kadar güçlü olduğu konusunda sezgi geliştirecek ve onu hem veri keşfi için hem de bir modelleme hattında veri ön işleme amacıyla uygulayacaksın. Bölümü havalı bir görüntü sıkıştırma kullanım senaryosuyla bitireceksin.

Exercise 1: Özellik çıkarımı Exercise 2: Manuel özellik çıkarımı I Exercise 3: Elle özellik çıkarımı II Exercise 4: Temel bileşen sezgisi Exercise 5: Temel Bileşen Analizi Exercise 6: Temel Bileşenleri Hesaplama Exercise 7: Daha büyük bir veri kümesinde PCA Exercise 8: PCA açıklanan varyans Exercise 9: PCA uygulamaları Exercise 10: Bileşenleri anlamak Exercise 11: Özellik keşfi için PCA Exercise 12: Bir model ardışık düzeninde PCA Exercise 13: Temel Bileşen seçimi Exercise 14: Korumak için varyans oranını seçme Exercise 15: Bileşen sayısını seçme Exercise 16: Görüntü sıkıştırma için PCA Exercise 17: Tebrikler!