BaşlayınÜcretsiz başlayın

Daha Derin Özellikler

Önceki egzersizlerde, iki özelliği birleştirmenin kestirimsel bir model için iyi ek özellikler yaratabileceğini göstermiştik. Bu egzersizde, üç değişkenin etkisini tek bir özellikte birleştirerek "daha derin" özellikler üreteceksin. Sonrasında, daha derin ve daha karmaşık özelliklerin her zaman daha iyi yordayıcılar oluşturup oluşturmadığını kontrol edeceksin.

Bu egzersiz, kursun bir parçasıdır

PySpark ile Özellik Mühendisliği

Kursa Göz Atın

Egzersiz talimatları

  • SQFTBELOWGROUND ve SQFTABOVEGROUND değerlerini toplayıp Total_SQFT adlı yeni bir sütun oluşturarak yeni bir özellik yarat
  • Total_SQFT kullanarak, BATHSTOTAL ile birlikte BATHS_PER_1000SQFT adlı bir başka özellik daha oluştur. Total_SQFT’i mutlaka 1000’lik ölçeğe göre ayarla
  • Yeni özelliğimiz BATHS_PER_1000SQFT için yeni min, max ve ortalamayı incelemek üzere describe() kullan. Gözüne tuhaf gelen bir şey var mı?
  • Hangisinin daha iyi R**2 uyumuna sahip olduğunu görmek için Total_SQFT ve BATHS_PER_1000SQFT’i \(x\) değeri, SALESCLOSEPRICE’ı ise \(y\) değeri olarak kullanarak iki tane jointplots() oluştur. Bu daha karmaşık özelliğin SALESCLOSEPRICE ile daha güçlü bir ilişkisi var mı?

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create new feature by adding two features together
df = df.____(____, df[____] + df[____])

# Create additional new feature using previously created feature
df = df.____(____, df[____] / (df[____] / ____))
df[[____]].____().show()

# Sample and create pandas dataframe
pandas_df = df.sample(False, 0.5, 0).toPandas()

# Linear model plots
sns.jointplot(x=____, y=____, data=pandas_df, kind="reg", stat_func=r2)
plt.show()
sns.jointplot(x=____, y=____, data=pandas_df, kind="reg", stat_func=r2)
plt.show()
Kodu Düzenle ve Çalıştır