Att Bekanta Sig Med Datasetet
Vi börjar förbehandlingen genom att utforska datasetet. Under hela kursen kommer vi att använda penguin-datasetet. Uppgiften är att förutsäga en pingvinarts tillhörighet.
Det finns tre möjliga alternativ, ofta kallade klasser inom maskininlärning:
Och egenskaperna är: 'island'
, 'culmen_depth_mm'
, 'flipper_length_mm'
, 'body_mass_g'
och 'sex'
.
Datan finns i filen penguins.csv
. Vi kommer att läsa in denna fil från en länk med funktionen pd.read_csv()
och titta på innehållet:
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))
När vi granskar denna datamängd kan vi redan identifiera vissa problem som behöver åtgärdas. Dessa är:
- Saknade data;
- Kategoriska variabler;
- Olika skalor.
Saknade data
De flesta ML-algoritmer kan inte hantera saknade värden automatiskt, så vi behöver ta bort dem (eller ersätta dem med vissa värden, vilket kallas imputering) innan vi matar in träningsuppsättningen i en modell.
pandas
fyller tomma celler i tabellen med NaN
. De flesta ML-modeller kommer att ge ett fel om det finns minst ett NaN
i datan.
Kategoriska data
Datan innehåller kategoriska data, vilket vi redan vet inte kan hanteras av maskininlärningsmodeller.
Därför behöver vi koda om kategoriska data till numeriska.
Olika skalor
'culmen_depth_mm'
-värden sträcker sig från 13.1 till 21.5, medan 'body_mass_g'
-värden sträcker sig från 2700 till 6300. På grund av detta kan vissa ML-modeller betrakta 'body_mass_g'
-egenskapen som mycket viktigare än 'culmen_depth_mm'
.
Skalning löser detta problem. Det kommer att behandlas i senare kapitel.
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 3.13
Att Bekanta Sig Med Datasetet
Svep för att visa menyn
Vi börjar förbehandlingen genom att utforska datasetet. Under hela kursen kommer vi att använda penguin-datasetet. Uppgiften är att förutsäga en pingvinarts tillhörighet.
Det finns tre möjliga alternativ, ofta kallade klasser inom maskininlärning:
Och egenskaperna är: 'island'
, 'culmen_depth_mm'
, 'flipper_length_mm'
, 'body_mass_g'
och 'sex'
.
Datan finns i filen penguins.csv
. Vi kommer att läsa in denna fil från en länk med funktionen pd.read_csv()
och titta på innehållet:
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))
När vi granskar denna datamängd kan vi redan identifiera vissa problem som behöver åtgärdas. Dessa är:
- Saknade data;
- Kategoriska variabler;
- Olika skalor.
Saknade data
De flesta ML-algoritmer kan inte hantera saknade värden automatiskt, så vi behöver ta bort dem (eller ersätta dem med vissa värden, vilket kallas imputering) innan vi matar in träningsuppsättningen i en modell.
pandas
fyller tomma celler i tabellen med NaN
. De flesta ML-modeller kommer att ge ett fel om det finns minst ett NaN
i datan.
Kategoriska data
Datan innehåller kategoriska data, vilket vi redan vet inte kan hanteras av maskininlärningsmodeller.
Därför behöver vi koda om kategoriska data till numeriska.
Olika skalor
'culmen_depth_mm'
-värden sträcker sig från 13.1 till 21.5, medan 'body_mass_g'
-värden sträcker sig från 2700 till 6300. På grund av detta kan vissa ML-modeller betrakta 'body_mass_g'
-egenskapen som mycket viktigare än 'culmen_depth_mm'
.
Skalning löser detta problem. Det kommer att behandlas i senare kapitel.
Tack för dina kommentarer!