Lewati ke konten utama

Kursus

Pengurangan Dimensi dengan Python

MenengahTingkat Keterampilan

Diperbarui 01/2023

Pahami konsep pengurangan dimensi pada data Anda, dan kuasai teknik-teknik untuk melakukannya dalam Python.

Mulai Kursus Gratis

PythonMachine Learning

4 jam

16 videos

58 Latihan

4,700 XP

36,437

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Himpunan data berdimensi tinggi bisa terasa membingungkan dan membuat Anda tidak tahu harus mulai dari mana. Biasanya, Anda akan menelusuri himpunan data baru secara visual terlebih dahulu, tetapi ketika dimensinya terlalu banyak, pendekatan klasik menjadi tidak memadai. Untungnya, ada teknik visualisasi yang dirancang khusus untuk data berdimensi tinggi, dan Anda akan diperkenalkan pada teknik-teknik ini dalam kursus ini. Setelah menelusuri data, Anda sering kali akan menemukan bahwa banyak fitur hanya sedikit informasinya karena tidak menunjukkan variasi atau karena merupakan duplikasi dari fitur lain. Anda akan mempelajari cara mendeteksi fitur-fitur ini dan menghapusnya dari himpunan data agar dapat berfokus pada fitur yang informatif. Pada langkah berikutnya, Anda mungkin ingin membangun model berdasarkan fitur-fitur ini, dan bisa jadi sebagian tidak berpengaruh terhadap hal yang ingin Anda prediksi. Anda juga akan mempelajari cara mendeteksi dan menghapus fitur yang tidak relevan ini untuk mengurangi dimensi dan sekaligus kompleksitas. Terakhir, Anda akan mempelajari bagaimana teknik ekstraksi fitur dapat mengurangi dimensi melalui perhitungan komponen utama yang tidak berkorelasi.

Persyaratan

Supervised Learning with scikit-learn

1

Menjelajahi Data Berdimensi Tinggi

Anda akan diperkenalkan pada konsep pengurangan dimensi dan mempelajari kapan serta mengapa hal ini penting. Anda akan mempelajari perbedaan antara seleksi fitur dan ekstraksi fitur serta menerapkan kedua teknik tersebut untuk penjelajahan data. Bab ini diakhiri dengan pelajaran tentang t-SNE, sebuah teknik ekstraksi fitur yang kuat yang memungkinkan Anda memvisualisasikan himpunan data berdimensi tinggi.

Pendahuluan

Menemukan jumlah dimensi dalam sebuah himpunan data

Menghapus fitur tanpa varians

Seleksi fitur vs. ekstraksi fitur

Mendeteksi fitur redundan secara visual

Keunggulan feature selection

Visualisasi t-SNE untuk data berdimensi tinggi

Intuisi t-SNE

Menerapkan t-SNE pada data ANSUR

Visualisasi t-SNE atas dimensi

2

Seleksi Fitur I - Memilih Berdasarkan Informasi Fitur

Dalam bab pertama dari dua bab tentang seleksi fitur ini, Anda akan mempelajari tentang kutukan dimensi dan bagaimana pengurangan dimensi dapat membantu Anda mengatasinya. Anda akan diperkenalkan pada sejumlah teknik untuk mendeteksi dan menghapus fitur yang memberi nilai tambah kecil pada himpunan data. Baik karena variansnya kecil, terlalu banyak nilai hilang, atau karena sangat berkorelasi dengan fitur lain.

Kutukan Dimensionalitas

Train - test split

Melatih dan menguji model

Akurasi setelah reduksi dimensi

Fitur dengan nilai hilang atau varians kecil

Menentukan ambang varians yang tepat

Fitur dengan varians rendah

Menghapus fitur dengan banyak nilai hilang

Korelasi berpasangan

Intuisi korelasi

Memeriksa matriks korelasi

Memvisualisasikan matriks korelasi

Menghapus fitur yang sangat berkorelasi

Menyaring fitur yang sangat berkorelasi

Energi nuklir dan tenggelam di kolam renang

3

Seleksi Fitur II - Memilih Berdasarkan Akurasi Model

Dalam bab kedua tentang seleksi fitur, Anda akan mempelajari bagaimana memanfaatkan model untuk membantu menemukan fitur paling penting dalam sebuah himpunan data untuk memprediksi fitur target tertentu. Pada pelajaran terakhir bab ini, Anda akan menggabungkan saran dari beberapa model yang berbeda untuk memutuskan fitur mana yang layak dipertahankan.

Memilih fitur untuk kinerja model

Membangun pengklasifikasi diabetes

Eliminasi Fitur Rekursif Secara Manual

Eliminasi Fitur Rekursif Otomatis

Seleksi fitur berbasis pohon

Membangun model random forest

Random forest untuk seleksi fitur

Eliminasi Fitur Rekursif dengan random forests

Regresi linear teratur

Membuat regressor LASSO

Hasil model Lasso

Menyesuaikan kekuatan regularisasi

Mengombinasikan pemilih fitur

Membuat regressor LassoCV

Model ensemble untuk suara tambahan

Menggabungkan 3 pemilih fitur

4

Ekstraksi Fitur

Bab ini membahas secara mendalam algoritma pengurangan dimensi yang paling sering digunakan, Principal Component Analysis (PCA). Anda akan membangun intuisi tentang bagaimana dan mengapa algoritma ini begitu kuat dan akan menerapkannya baik untuk penjelajahan data maupun pra-pemrosesan data dalam sebuah pipeline pemodelan. Anda akan menutupnya dengan studi kasus kompresi gambar yang menarik.

Ekstraksi fitur

Ekstraksi fitur manual I

Ekstraksi fitur manual II

Intuisi komponen utama

Analisis komponen utama

Menghitung Komponen Utama

PCA pada himpunan data yang lebih besar

Varians yang dijelaskan PCA

Aplikasi PCA

Memahami komponen

PCA untuk eksplorasi fitur

PCA dalam pipeline model

Pemilihan Principal Component

Memilih proporsi varians yang dipertahankan

Memilih jumlah komponen

PCA untuk kompresi gambar

Pengurangan Dimensi dengan Python

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Pengurangan Dimensi dengan Python Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.