Riduzione della dimensionalità in Python

In questo primo di due capitoli sulla selezione delle caratteristiche, imparerai la “maledizione della dimensionalità” e come la riduzione della dimensionalità può aiutarti a superarla. Ti verranno presentate diverse tecniche per individuare e rimuovere le caratteristiche che aggiungono poco valore all’insieme di dati, sia perché hanno poca varianza, troppi valori mancanti o perché sono fortemente correlate ad altre caratteristiche.

In questo secondo capitolo sulla selezione delle caratteristiche, imparerai a lasciare che i modelli ti aiutino a trovare le caratteristiche più importanti in un insieme di dati per prevedere una specifica variabile target. Nell’ultima lezione del capitolo, combinerai i suggerimenti di modelli diversi per decidere quali caratteristiche vale la pena mantenere.

Questo capitolo approfondisce l’algoritmo di riduzione della dimensionalità più usato, la Principal Component Analysis (PCA). Costruirai l’intuizione su come e perché questo algoritmo è così potente e lo applicherai sia per l’esplorazione dei dati sia per il pre-processing in una pipeline di modellazione. Concluderai con un interessante caso d’uso di compressione di immagini.