Oppiskele Tutustuminen Tietoaineistoon

Aloita esikäsittely tutustumalla aineistoon. Tämän kurssin aikana käytetään penguin dataset -aineistoa, jonka tavoitteena on ennustaa pingviinin lajia.

Vaihtoehtoja on kolme, joita kutsutaan usein luokiksi koneoppimisessa:

Ominaisuudet ovat: 'island', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g' ja 'sex'.

Aineisto on tallennettu tiedostoon penguins.csv. Sen voi ladata linkistä pd.read_csv() -funktiolla sisällön tarkastelua varten:


              12345
            
import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins.csv')

print(df.head(10))

Tämä tietoaineisto sisältää useita ongelmia, jotka on ratkaistava:

Puuttuvat tiedot;
Kategoriset muuttujat;
Eri mittakaavan ominaisuudet.

Puuttuvat tiedot

Useimmat koneoppimisalgoritmit eivät pysty käsittelemään puuttuvia arvoja suoraan, joten nämä on käsiteltävä ennen mallin koulutusta. Puuttuvat arvot voidaan joko poistaa tai imputoida (korvata sijaisarvoilla).

pandas-kirjastossa tyhjät solut esitetään muodossa NaN. Monet koneoppimismallit aiheuttavat virheen, jos tietoaineistossa on edes yksi NaN.

Kategorinen data

Aineisto sisältää kategorisia muuttujia, joita koneoppimismallit eivät pysty käsittelemään suoraan.

Kategorinen data on koodattava numeeriseen muotoon.

Eri mittakaavat

'culmen_depth_mm'-arvot vaihtelevat välillä 13.1–21.5, kun taas 'body_mass_g'-arvot vaihtelevat välillä 2700–6300. Tämän vuoksi jotkin koneoppimismallit saattavat pitää 'body_mass_g'-ominaisuutta paljon tärkeämpänä kuin 'culmen_depth_mm'.

Skaalaus ratkaisee tämän ongelman. Tätä käsitellään myöhemmissä luvuissa.

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 7

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Pyyhkäise näyttääksesi valikon