Pular para o conteúdo principal

Curso

Redução de Dimensionalidade em Python

IntermediárioNível de habilidade

Atualizado 01/2023

Entenda o conceito de redução de dimensionalidade nos seus dados e domine as técnicas para fazer isso no Python.

Iniciar curso gratuitamente

PythonMachine Learning

4 h

16 vídeos

58 Exercícios

4,700 XP

36,422

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

Descrição do curso

Conjuntos de dados de alta dimensão podem ser intimidantes e deixar você sem saber por onde começar. Normalmente, você começaria explorando o conjunto de dados visualmente, mas quando há dimensões demais, as abordagens clássicas parecem insuficientes. Felizmente, existem técnicas de visualização projetadas especificamente para dados de alta dimensão, e você será apresentado a elas neste curso. Após explorar os dados, você geralmente descobre que muitas variáveis têm pouca informação, seja por não apresentarem variância, seja por serem duplicatas de outras. Você vai aprender a detectar essas variáveis e removê-las do conjunto de dados para focar nas mais informativas. Em seguida, talvez você queira construir um modelo com essas variáveis, e pode acontecer de algumas não terem qualquer efeito sobre o que você está tentando prever. Você também vai aprender a detectar e remover essas variáveis irrelevantes para reduzir a dimensionalidade e, assim, a complexidade. Por fim, você verá como técnicas de extração de características podem reduzir a dimensionalidade ao calcular componentes principais não correlacionados.

Pré-requisitos

Supervised Learning with scikit-learn

1

Explorando Dados de Alta Dimensão

Você será apresentado ao conceito de redução de dimensionalidade e vai aprender quando e por que isso é importante. Vai aprender a diferença entre seleção de variáveis e extração de características e aplicará ambas as técnicas para explorar dados. O capítulo termina com uma lição sobre t-SNE, uma poderosa técnica de extração que permite visualizar um conjunto de dados de alta dimensão.

Introdução

Descobrindo o número de dimensões em um conjunto de dados

Removendo features sem variância

Seleção de atributos vs. extração de atributos

Detectando visualmente recursos redundantes

Vantagem da seleção de features

Visualização com t-SNE de dados de alta dimensão

Intuição sobre t-SNE

Ajustando t-SNE aos dados do ANSUR

Visualização de dimensionalidade com t-SNE

Iniciar capítulo

2

Seleção de Variáveis I - Selecionando pela Informação da Variável

Neste primeiro de dois capítulos sobre seleção de variáveis, você vai aprender sobre a “maldição da dimensionalidade” e como a redução de dimensionalidade pode ajudar a superá-la. Você conhecerá várias técnicas para detectar e remover variáveis que agregam pouco valor ao conjunto de dados, seja porque têm pouca variância, muitos valores ausentes ou porque são fortemente correlacionadas a outras variáveis.

A maldição da dimensionalidade

Divisão treino-teste

Ajustando e testando o modelo

Acurácia após redução de dimensionalidade

Recursos com valores ausentes ou pouca variância

Encontrando um bom limiar de variância

Recursos com baixa variância

Removendo variáveis com muitos valores ausentes

Correlação par a par

Intuição sobre correlação

Inspecionando a matriz de correlação

Visualizando a matriz de correlação

Removendo recursos altamente correlacionados

Filtrando recursos altamente correlacionados

Energia nuclear e afogamentos em piscinas

Iniciar capítulo

3

Seleção de Variáveis II - Selecionando pela Acurácia do Modelo

Neste segundo capítulo sobre seleção de variáveis, você vai aprender a usar modelos para encontrar as variáveis mais importantes de um conjunto de dados para prever um alvo específico. Na lição final, você combinará as recomendações de vários modelos diferentes para decidir quais variáveis valem a pena manter.

Selecionando variáveis para desempenho do modelo

Construindo um classificador de diabetes

Eliminação Recursiva de Atributos Manual

Eliminação Recursiva de Atributos Automática

Seleção de atributos baseada em árvores

Construindo um modelo de random forest

Random forest para seleção de variáveis

Eliminação Recursiva de Atributos com random forests

Regressão linear regularizada

Criando um regressor LASSO

Resultados do modelo Lasso

Ajustando a intensidade da regularização

Combinando seletores de atributos

Criando um regressor LassoCV

Modelos em ensemble para votos extras

Combinando 3 seletores de atributos

Iniciar capítulo

4

Extração de Características

Este capítulo é um mergulho profundo no algoritmo de redução de dimensionalidade mais usado, a Análise de Componentes Principais (PCA). Você vai construir intuição sobre como e por que esse algoritmo é tão poderoso e vai aplicá-lo tanto para exploração de dados quanto para pré-processamento em um pipeline de modelagem. Você termina com um caso de uso interessante de compactação de imagens.

Extração de características

Extração manual de atributos I

Extração manual de atributos II

Intuição sobre componentes principais

Análise de Componentes Principais

Calculando Componentes Principais

PCA em um conjunto de dados maior

Variância explicada pelo PCA

Aplicações de PCA

Entendendo os componentes

PCA para exploração de variáveis

PCA em um pipeline de modelo

Seleção de Componentes Principais

Selecionando a proporção de variância a manter

Escolhendo o número de componentes

PCA para compressão de imagens

Iniciar capítulo

Redução de Dimensionalidade em Python

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Redução de Dimensionalidade em Python hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.