Creazione di Caratteristiche di Interazione
Le feature di interazione sono nuove variabili ottenute combinando due o più feature esistenti, spesso tramite operazioni matematiche come moltiplicazione, divisione o addizione, per riflettere come queste variabili influenzano congiuntamente il target.
La creazione di feature di interazione consente di catturare relazioni complesse tra variabili nel dataset Titanic, come Age, Fare, Pclass e Sex. L'influenza di una variabile sulla sopravvivenza può dipendere dal valore di un'altra variabile. Ad esempio, l'effetto della classe del passeggero sulla sopravvivenza può variare tra maschi e femmine, oppure i passeggeri più giovani potrebbero beneficiare maggiormente di tariffe più alte. Combinando feature come Age * Fare o Pclass * Sex_encoded, si permette al modello di apprendere questi pattern più sfumati, migliorando la capacità di prevedere chi è sopravvissuto in base all'interazione tra le variabili.
1234567891011121314151617181920import pandas as pd # Sample Titanic-like dataset data = { "Age": [22, 38, 26, 35, 28], "Fare": [7.25, 71.28, 7.92, 53.10, 8.05], "Pclass": [3, 1, 3, 1, 3], "Sex": ["male", "female", "female", "female", "male"], "Survived": [0, 1, 1, 1, 0] } df = pd.DataFrame(data) # Encode 'Sex' as a numeric feature df["Sex_encoded"] = df["Sex"].map({"male": 0, "female": 1}) # Create interaction features df["Age_Fare_product"] = df["Age"] * df["Fare"] df["Pclass_Sex_interaction"] = df["Pclass"] * df["Sex_encoded"] print(df[["Age", "Fare", "Pclass", "Sex", "Age_Fare_product", "Pclass_Sex_interaction", "Survived"]])
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Fantastico!
Completion tasso migliorato a 8.33Creazione di Caratteristiche di Interazione
Scorri per mostrare il menu
Le feature di interazione sono nuove variabili ottenute combinando due o più feature esistenti, spesso tramite operazioni matematiche come moltiplicazione, divisione o addizione, per riflettere come queste variabili influenzano congiuntamente il target.
La creazione di feature di interazione consente di catturare relazioni complesse tra variabili nel dataset Titanic, come Age, Fare, Pclass e Sex. L'influenza di una variabile sulla sopravvivenza può dipendere dal valore di un'altra variabile. Ad esempio, l'effetto della classe del passeggero sulla sopravvivenza può variare tra maschi e femmine, oppure i passeggeri più giovani potrebbero beneficiare maggiormente di tariffe più alte. Combinando feature come Age * Fare o Pclass * Sex_encoded, si permette al modello di apprendere questi pattern più sfumati, migliorando la capacità di prevedere chi è sopravvissuto in base all'interazione tra le variabili.
1234567891011121314151617181920import pandas as pd # Sample Titanic-like dataset data = { "Age": [22, 38, 26, 35, 28], "Fare": [7.25, 71.28, 7.92, 53.10, 8.05], "Pclass": [3, 1, 3, 1, 3], "Sex": ["male", "female", "female", "female", "male"], "Survived": [0, 1, 1, 1, 0] } df = pd.DataFrame(data) # Encode 'Sex' as a numeric feature df["Sex_encoded"] = df["Sex"].map({"male": 0, "female": 1}) # Create interaction features df["Age_Fare_product"] = df["Age"] * df["Fare"] df["Pclass_Sex_interaction"] = df["Pclass"] * df["Sex_encoded"] print(df[["Age", "Fare", "Pclass", "Sex", "Age_Fare_product", "Pclass_Sex_interaction", "Survived"]])
Grazie per i tuoi commenti!
