Kennismaken Met De Dataset
Begin met het verkennen van de dataset als onderdeel van de preprocessing. In deze cursus wordt de penguin dataset gebruikt, met als doel het voorspellen van de soort van een pinguïn.
Er zijn drie mogelijke opties, die in machine learning vaak klassen worden genoemd:
De kenmerken zijn: 'island', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g' en 'sex'.
De dataset is opgeslagen in het bestand penguins.csv. Deze kan worden geladen via een link met de functie pd.read_csv() om de inhoud te bekijken:
12345import 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))
Deze dataset bevat verschillende problemen die moeten worden aangepakt:
- Ontbrekende gegevens;
- Categorische variabelen;
- Verschillende schaalniveaus van kenmerken.
Ontbrekende gegevens
De meeste ML-algoritmen kunnen ontbrekende waarden niet direct verwerken, dus deze moeten worden aangepakt voordat het model getraind wordt. Ontbrekende waarden kunnen verwijderd of geïmputeerd (vervangen door vervangende waarden) worden.
In pandas worden lege cellen weergegeven als NaN. Veel ML-modellen zullen een foutmelding geven als de dataset zelfs maar één NaN bevat.
Categorische gegevens
De dataset bevat categorische variabelen, die machine learning-modellen niet direct kunnen verwerken.
Categorische gegevens moeten worden gecodeerd naar numerieke vorm.
Verschillende schalen
De waarden van 'culmen_depth_mm' variëren van 13.1 tot 21.5, terwijl de waarden van 'body_mass_g' variëren van 2700 tot 6300. Hierdoor kunnen sommige ML-modellen de eigenschap 'body_mass_g' veel belangrijker vinden dan 'culmen_depth_mm'.
Schaalverdeling lost dit probleem op. Dit wordt behandeld in latere hoofdstukken.
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 4.55Kennismaken Met De Dataset
Veeg om het menu te tonen
Begin met het verkennen van de dataset als onderdeel van de preprocessing. In deze cursus wordt de penguin dataset gebruikt, met als doel het voorspellen van de soort van een pinguïn.
Er zijn drie mogelijke opties, die in machine learning vaak klassen worden genoemd:
De kenmerken zijn: 'island', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g' en 'sex'.
De dataset is opgeslagen in het bestand penguins.csv. Deze kan worden geladen via een link met de functie pd.read_csv() om de inhoud te bekijken:
12345import 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))
Deze dataset bevat verschillende problemen die moeten worden aangepakt:
- Ontbrekende gegevens;
- Categorische variabelen;
- Verschillende schaalniveaus van kenmerken.
Ontbrekende gegevens
De meeste ML-algoritmen kunnen ontbrekende waarden niet direct verwerken, dus deze moeten worden aangepakt voordat het model getraind wordt. Ontbrekende waarden kunnen verwijderd of geïmputeerd (vervangen door vervangende waarden) worden.
In pandas worden lege cellen weergegeven als NaN. Veel ML-modellen zullen een foutmelding geven als de dataset zelfs maar één NaN bevat.
Categorische gegevens
De dataset bevat categorische variabelen, die machine learning-modellen niet direct kunnen verwerken.
Categorische gegevens moeten worden gecodeerd naar numerieke vorm.
Verschillende schalen
De waarden van 'culmen_depth_mm' variëren van 13.1 tot 21.5, terwijl de waarden van 'body_mass_g' variëren van 2700 tot 6300. Hierdoor kunnen sommige ML-modellen de eigenschap 'body_mass_g' veel belangrijker vinden dan 'culmen_depth_mm'.
Schaalverdeling lost dit probleem op. Dit wordt behandeld in latere hoofdstukken.
Bedankt voor je feedback!
