Вивчайте Відбір Ознак проти Видобування Ознак | Вступ до зниження розмірності

Свайпніть щоб показати меню

Набори даних з великою кількістю вимірів часто містять більше ознак, ніж потрібно. Зменшити кількість ознак можна двома основними стратегіями: відбір ознак та видобування ознак.

Відбір ознак означає збереження лише найважливіших початкових ознак — як вибір улюблених фруктів із кошика;
Видобування ознак створює нові ознаки шляхом комбінування або перетворення початкових — як приготування смузі з усіх фруктів.

Аналіз головних компонент (PCA) — це поширений метод видобування ознак, який ви детально розглянете пізніше.


              12345678910111213141516171819202122
            
import pandas as pd
from sklearn.decomposition import PCA

# Example dataset
data = {
    'height': [150, 160, 170, 180],
    'weight': [50, 60, 70, 80],
    'age':    [20, 25, 30, 35],
    'score':  [85, 90, 95, 100]
}
df = pd.DataFrame(data)

# Feature selection: pick only 'height' and 'weight'
selected_features = df[['height', 'weight']]
print("Selected features (feature selection):")
print(selected_features)

# Feature extraction: combine features using PCA (placeholder, details later)
pca = PCA(n_components=2)
extracted_features = pca.fit_transform(df)
print("\nExtracted features (feature extraction, via PCA):")
print(extracted_features)

Примітка

PCA — це потужний метод видобування ознак, який створює нові ознаки (головні компоненти) на основі ваших початкових даних. Деталі роботи PCA будуть розглянуті у наступних розділах.

Зменшення кількості ознак допомагає виявити закономірності, які можуть бути приховані у вищих вимірах. За допомогою візуалізації можна побудувати графіки вибраних ознак, щоб чіткіше побачити кластери або тренди. Наприклад, побудова графіків лише найбільш релевантних ознак за допомогою seaborn дозволяє виділити взаємозв'язки у ваших даних, що спрощує їх інтерпретацію та аналіз.

Яке твердження найкраще описує різницю між вибором ознак і вилученням ознак у зниженні розмірності?

Select the correct answer

Вибір ознак використовується лише для зображень, а вилучення ознак — лише для текстових даних.

Вибір ознак зберігає початкові ознаки, тоді як вилучення ознак створює нові ознаки шляхом поєднання або трансформації початкових.

Вилучення ознак видаляє всі нерелевантні дані, а вибір ознак — ні.

Вибір ознак завжди підвищує точність моделі, а вилучення ознак завжди її знижує.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 3

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Секція 1. Розділ 3