Lära Att Bekanta Sig Med Datasetet | Förbehandling av Data med Scikit-learn

Påbörja förbehandlingen genom att utforska datasetet. Under denna kurs kommer pingvindatasetet att användas, med uppgiften att förutsäga arten av en pingvin.

Det finns tre möjliga alternativ, ofta kallade klasser inom maskininlärning:

Egenskaperna är: 'island', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g' och 'sex'.

Datasetet är sparat i filen penguins.csv. Det kan laddas från en länk med funktionen pd.read_csv() för att undersöka dess innehåll:


              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))

Denna datamängd har flera problem som behöver åtgärdas:

Saknade data;
Kategoriska variabler;
Olika skalor för variabler.

Saknade data

De flesta ML-algoritmer kan inte hantera saknade värden direkt, så dessa måste åtgärdas innan träning. Saknade värden kan antingen tas bort eller imputeras (ersättas med ersättningsvärden).

I pandas representeras tomma celler som NaN. Många ML-modeller kommer att ge ett fel om datamängden innehåller ens ett enda NaN.

Kategoriska data

Datasettet innehåller kategoriska variabler, vilka maskininlärningsmodeller inte kan bearbeta direkt.

Kategoriska data måste kodas till numerisk form.

Olika skalor

Värdena för 'culmen_depth_mm' sträcker sig från 13.1 till 21.5, medan värdena för 'body_mass_g' sträcker sig från 2700 till 6300. På grund av detta kan vissa ML-modeller betrakta egenskapen 'body_mass_g' som mycket viktigare än 'culmen_depth_mm'.

Skalning löser detta problem. Det kommer att behandlas i senare kapitel.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 2

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Suggested prompts:

What are the three classes of penguins in the dataset?

How do I handle missing data in the penguin dataset?

Can you explain how to encode categorical variables for machine learning?

Svep för att visa menyn

Påbörja förbehandlingen genom att utforska datasetet. Under denna kurs kommer pingvindatasetet att användas, med uppgiften att förutsäga arten av en pingvin.

Det finns tre möjliga alternativ, ofta kallade klasser inom maskininlärning:

Egenskaperna är: 'island', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g' och 'sex'.

Datasetet är sparat i filen penguins.csv. Det kan laddas från en länk med funktionen pd.read_csv() för att undersöka dess innehåll:


              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))

Denna datamängd har flera problem som behöver åtgärdas:

Saknade data;
Kategoriska variabler;
Olika skalor för variabler.

Saknade data

I pandas representeras tomma celler som NaN. Många ML-modeller kommer att ge ett fel om datamängden innehåller ens ett enda NaN.

Kategoriska data

Datasettet innehåller kategoriska variabler, vilka maskininlärningsmodeller inte kan bearbeta direkt.

Kategoriska data måste kodas till numerisk form.

Olika skalor

Skalning löser detta problem. Det kommer att behandlas i senare kapitel.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 2

Att Bekanta Sig Med Datasetet

Saknade data

Kategoriska data

Olika skalor

Awesome!

Att Bekanta Sig Med Datasetet

Saknade data

Kategoriska data

Olika skalor