Çoklu doğrusal bağlantı teknikleri - özellik mühendisliği
Çoklu doğrusal bağlantı, herhangi bir Machine Learning bağlamında performansını etkileyebilecek yaygın bir sorundur. Bu küçük ayrıntıyı nasıl anlatacağını bilmek, modellemeyi açıklama biçimini iyiden mükemmele taşıyabilir ve bir mülakatta seni gerçekten öne çıkarabilir.
Bu egzersizde, diabetes veri kümesi üzerinde Linear Regression kullanarak bir temel model oluşturmayı ve bazı çıktı metriklerini incelemeyi pratik edeceksin. Ardından, bağımsız değişkenler arasındaki korelasyonu görsel olarak keşfetmek için teknikleri deneyecek, son olarak da yüksek korelasyonlu 2 değişkende özellik mühendisliği uygulayacaksın.
İlk iki adım için çalışma alanına aktarılmış olan X_train, X_test, y_train ve y_test değişkenlerini kullan.
Ayrıca, ilgili tüm paketler senin için içe aktarıldı:
pandas pd olarak, sklearn.model_selection içinden train_test_split, sklearn.linear_model içinden LinearRegression, sklearn.metrics içinden mean_squared_error ve r2_score, matplotlib.pyplot plt olarak ve seaborn sns olarak.
Bu egzersiz, kursun bir parçasıdır
Python ile Machine Learning Mülakat Sorularını Pratik Etme
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Instantiate, fit, predict
lin_mod = ____()
lin_mod.____(____, ____)
y_pred = lin_mod.____(____)
# Coefficient estimates
print('Coefficients: \n', lin_mod.____)
# Mean squared error
print("Mean squared error: %.2f"
% ____(____, ____))
# Explained variance score
print('R_squared score: %.2f' % ____(____, ____))