Przejdź do głównej treści

Strona główna Python

Kurs

Redukcja wymiarowości w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 01.2023

Poznaj koncepcję redukcji wymiarowości danych i opanuj techniki jej wykonywania w Pythonie.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

16 filmów

58 Ćwiczeń

4,700 XP

36,422

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Zbiory danych o wysokiej wymiarowości mogą być przytłaczające i trudno wiedzieć, od czego zacząć. Zazwyczaj pierwszym krokiem jest wizualna eksploracja nowego zbioru danych – jednak gdy wymiarów jest zbyt wiele, klasyczne podejścia okazują się niewystarczające. Na szczęście istnieją techniki wizualizacji stworzone specjalnie z myślą o danych wysokowymiarowych i właśnie z nimi zapoznasz się w tym kursie. Po zbadaniu danych często okazuje się, że wiele cech niesie ze sobą mało informacji – albo dlatego, że nie wykazują żadnej wariancji, albo dlatego, że są duplikatami innych cech. Nauczysz się je wykrywać i usuwać ze zbioru danych, by skupić się na tych naprawdę wartościowych. W kolejnym kroku możesz chcieć zbudować model na podstawie tych cech – i może się okazać, że niektóre z nich nie mają żadnego wpływu na to, co próbujesz przewidzieć. Nauczysz się też wykrywać i usuwać te nieistotne cechy, aby zmniejszyć wymiarowość, a tym samym złożoność problemu. Na koniec poznasz techniki ekstrakcji cech, które automatycznie redukują wymiarowość poprzez wyznaczanie nieskorelowanych składowych głównych.

Wymagania wstępne

Supervised Learning with scikit-learn

1

Exploring High Dimensional Data

You'll be introduced to the concept of dimensionality reduction and will learn when an why this is important. You'll learn the difference between feature selection and feature extraction and will apply both techniques for data exploration. The chapter ends with a lesson on t-SNE, a powerful feature extraction technique that will allow you to visualize a high-dimensional dataset.

Introduction

Finding the number of dimensions in a dataset

Removing features without variance

Feature selection vs. feature extraction

Visually detecting redundant features

Advantage of feature selection

t-SNE visualization of high-dimensional data

t-SNE intuition

Fitting t-SNE to the ANSUR data

t-SNE visualisation of dimensionality

Zacznij rozdział

2

Feature Selection I - Selecting for Feature Information

In this first out of two chapters on feature selection, you'll learn about the curse of dimensionality and how dimensionality reduction can help you overcome it. You'll be introduced to a number of techniques to detect and remove features that bring little added value to the dataset. Either because they have little variance, too many missing values, or because they are strongly correlated to other features.

The curse of dimensionality

Train - test split

Fitting and testing the model

Accuracy after dimensionality reduction

Features with missing values or little variance

Finding a good variance threshold

Features with low variance

Removing features with many missing values

Pairwise correlation

Correlation intuition

Inspecting the correlation matrix

Visualizing the correlation matrix

Removing highly correlated features

Filtering out highly correlated features

Nuclear energy and pool drownings

Zacznij rozdział

3

Feature Selection II - Selecting for Model Accuracy

In this second chapter on feature selection, you'll learn how to let models help you find the most important features in a dataset for predicting a particular target feature. In the final lesson of this chapter, you'll combine the advice of multiple, different, models to decide on which features are worth keeping.

Selecting features for model performance

Building a diabetes classifier

Manual Recursive Feature Elimination

Automatic Recursive Feature Elimination

Tree-based feature selection

Building a random forest model

Random forest for feature selection

Recursive Feature Elimination with random forests

Regularized linear regression

Creating a LASSO regressor

Lasso model results

Adjusting the regularization strength

Combining feature selectors

Creating a LassoCV regressor

Ensemble models for extra votes

Combining 3 feature selectors

Zacznij rozdział

4

Feature Extraction

This chapter is a deep-dive on the most frequently used dimensionality reduction algorithm, Principal Component Analysis (PCA). You'll build intuition on how and why this algorithm is so powerful and will apply it both for data exploration and data pre-processing in a modeling pipeline. You'll end with a cool image compression use case.

Feature extraction

Manual feature extraction I

Manual feature extraction II

Principal component intuition

Principal component analysis

Calculating Principal Components

PCA on a larger dataset

PCA explained variance

PCA applications

Understanding the components

PCA for feature exploration

PCA in a model pipeline

Principal Component selection

Selecting the proportion of variance to keep

Choosing the number of components

PCA for image compression

Congratulations!

Zacznij rozdział

Redukcja wymiarowości w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Redukcja wymiarowości w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.