Accéder au contenu principal

Cours

Analytique prédictive intermédiaire en Python

DébutantNiveau de compétence

Actualisé 08/2024

Découvrez comment préparer et organiser vos données pour l'analyse prédictive.

Commencer Le Cours Gratuitement

PythonMachine Learning4 h15 vidéos56 Exercices4,350 XP6,482Certificat de réussite.

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former 2 personnes ou plus ?

Essayez DataCamp for Business

Description du cours

Construire de bons modèles n’est possible que si vous partez d’une table de base de qualité. Dans ce cours, vous apprendrez à construire une bonne table de base, à créer des variables et à préparer vos données pour la modélisation. Nous terminerons par des sujets avancés sur cette thématique.

Prérequis

Introduction to Predictive Analytics in Python

1

Crucial base table concepts

In this chapter you will learn how to construct the foundations of your base table, namely the population and the target.

The basetable timeline

Timeline violations

Available data

Timeline violation

The population

Select the relevant population

A timeline compliant population

Removing duplicate objects

Calculate an event target

Calculate an aggregated target

Commencer Le Chapitre

2

Creating variables

You will learn how to add variables to the base table that you can use to predict the target.

Adding fixed variables

Selecting the right value

Adding the donor segment

Adding living place

Adding aggregated variables

Selecting the appropriate date

Maximum value last year

Recency of donations

Adding evolutions

Ratio of last month's and last year's average

Absolute difference between two years

Using evolution variables

Performance of evolution variables

Meaning of evolution

Commencer Le Chapitre

3

Data preparation

Once you derived variables from the raw data, it is time to clean the data and prepare it for modeling. In this Chapter we discuss the steps that need to be taken to make your data modeling-ready.

Creating dummies

Creating a dummy from a two-category variable

Creating dummies from a many-categories variable

Missing values

How to replace missing values

Creating a missing value dummy

Replace missing values with the median value

Replace missing values with a fixed value

Handling outliers

Influence of outliers on predictive models

Handle outliers with winsorization

Handle outliers with standard deviation

Transformations

Interactions

Square root transformation

Adding interactions to the basetable

Commencer Le Chapitre

4

Advanced base table concepts

In some cases, the target or variables change heavily with the seasons. You will learn how you can deal with seasonality by adding different snapshots to the base table.

Seasonality

Seasonality or not

Detecting seasonality

The effect of seasonality

Using multiple snapshots

Target values

Calculating snapshot targets

Calculating aggregated variables

Stacking basetables

The timegap

Events during the timegap

Calculating aggregated variables with timegap

Adding age with timegap

Congratulations

Commencer Le Chapitre

Analytique prédictive intermédiaire en Python

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire Maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Analytique prédictive intermédiaire en Python dès aujourd'hui !

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.