Oppiskele Tutustuminen Aineistoon | Datan Esikäsittely Scikit-learnilla

Aloita esikäsittely tutustumalla aineistoon. Tämän kurssin aikana käytetään pingviiniaineistoa, 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 ja tarkastella sisältöä:


              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 yksikin NaN-arvo.

Kategoriset tiedot

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

Kategoriset tiedot on koodattava numeeriseen muotoon.

Eri asteikot

'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. Käsitellään myöhemmissä luvuissa.

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 2

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 3.13

Pyyhkäise näyttääksesi valikon