Skapa Interaktionsfunktioner
Interaktionsfunktioner är nya variabler som skapas genom att kombinera två eller flera befintliga funktioner, ofta genom matematiska operationer såsom multiplikation, division eller addition, för att återspegla hur dessa variabler gemensamt påverkar målet.
Att skapa interaktionsfunktioner möjliggör att fånga komplexa samband mellan variabler i Titanic-datasetet, såsom Age, Fare, Pclass och Sex. En variabels påverkan på överlevnad kan bero på värdet av en annan variabel. Till exempel kan effekten av passagerarklass på överlevnad skilja sig mellan män och kvinnor, eller så kan yngre passagerare dra större nytta av högre biljettpriser. Genom att kombinera funktioner som Age * Fare eller Pclass * Sex_encoded kan modellen lära sig dessa nyanserade mönster, vilket förbättrar dess förmåga att förutsäga vem som överlevde baserat på hur variabler samverkar.
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"]])
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 8.33Skapa Interaktionsfunktioner
Svep för att visa menyn
Interaktionsfunktioner är nya variabler som skapas genom att kombinera två eller flera befintliga funktioner, ofta genom matematiska operationer såsom multiplikation, division eller addition, för att återspegla hur dessa variabler gemensamt påverkar målet.
Att skapa interaktionsfunktioner möjliggör att fånga komplexa samband mellan variabler i Titanic-datasetet, såsom Age, Fare, Pclass och Sex. En variabels påverkan på överlevnad kan bero på värdet av en annan variabel. Till exempel kan effekten av passagerarklass på överlevnad skilja sig mellan män och kvinnor, eller så kan yngre passagerare dra större nytta av högre biljettpriser. Genom att kombinera funktioner som Age * Fare eller Pclass * Sex_encoded kan modellen lära sig dessa nyanserade mönster, vilket förbättrar dess förmåga att förutsäga vem som överlevde baserat på hur variabler samverkar.
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"]])
Tack för dina kommentarer!
