Filtre ve sarmalayıcı yöntemler
Bir veri kümesinin boyutunu küçültmeye yönelik sorular, Machine Learning mülakatlarında oldukça yaygındır. Boyutu küçültmenin bir yolu, veri kümendeki yalnızca ilgili özellikleri seçmektir.
Burada diabetes DataFrame'i üzerinde bir filtre yöntemi uygulayacak, ardından çapraz doğrulama içeren iki farklı sarmalayıcı yöntemi deneyeceksin. Korelasyonları görselleştirmek, verini işlemek ve veri kümene özellik seçimi tekniklerini uygulamak için pandas, matplotlib.pyplot ve seaborn kullanacaksın.
Hedef değişken sütunu (progression) çıkarılmış özellik matrisi X olarak, hedef değişken ise y olarak yüklendi.
pandas, matplotlib.pyplot ve seaborn'un çalışma alanına sırasıyla pd, plt ve sns takma adlarıyla zaten aktarılmış olduğunu unutma.
Boru hattına (son 3 adıma uygulanan) bir Cross-validate adımı eklediğine dikkat et:
Bu egzersiz, kursun bir parçasıdır
Python ile Machine Learning Mülakat Sorularını Pratik Etme
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Create correlation matrix and print it
cor = ____.____()
print(____)
# Correlation matrix heatmap
plt.figure()
sns.____(____, annot=True, cmap=plt.cm.Reds)
plt.show()
# Correlation with output variable
cor_target = abs(cor["progression"])
# Selecting highly correlated features
best_features = ____[____ > ____]
print(____)