Pré-processamento de dados

Aprendizado Supervisionado com o scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Requisitos do scikit-learn

Dados numéricos
Sem valores faltantes

Com dados reais:
- Raramente é assim
- Geralmente precisamos pré-processar os dados primeiro

Como lidar com variáveis independentes categóricas

Por padrão, o scikit-learn não aceita variáveis independentes categóricas
É necessário converter variáveis independentes categóricas em valores numéricos
Converter em variáveis independentes binárias (dummies)
- 0: a observação NÃO se refere a essa categoria
- 1: a observação se refere a essa categoria

Variáveis binárias (dummies)

lista de onze gêneros, incluindo eletrônico, hip-hop e rock

Variáveis binárias (dummies)

Grade com valores de gênero e nomes de coluna e zeros e uns como valores, onde 1 significa que a música é daquele gênero e 0 significa que não é

Variáveis binárias (dummies)

Grade de uns e zeros sem uma coluna para o gênero Rock

Como lidar com variáveis independentes categóricas em Python

scikit-learn: OneHotEncoder()
pandas: get_dummies()

Conjunto de dados de músicas

popularity: variável dependente
genre: variável independente categórica

print(music.info())

     popularity    acousticness    danceability    ...    tempo         valence    genre
0    41.0          0.6440          0.823           ...    102.619000    0.649      Jazz
1    62.0          0.0855          0.686           ...    173.915000    0.636      Rap
2    42.0          0.2390          0.669           ...    145.061000    0.494      Electronic
3    64.0          0.0125          0.522           ...    120.406497    0.595      Rock
4    60.0          0.1210          0.780           ...    96.056000     0.312      Rap

AED com variável independente categórica

Diagrama de caixa mostrando a popularidade de cada gênero

Codificação de variáveis binárias (dummies)

import pandas as pd

music_df = pd.read_csv('music.csv')

music_dummies = pd.get_dummies(music_df["genre"], drop_first=True)

print(music_dummies.head())

     Anime    Blues    Classical    Country    Electronic    Hip-Hop    Jazz    Rap    Rock
0    0        0        0            0          0             0          1       0      0
1    0        0        0            0          0             0          0       1      0
2    0        0        0            0          1             0          0       0      0
3    0        0        0            0          0             0          0       0      1
4    0        0        0            0          0             0          0       1      0

music_dummies = pd.concat([music_df, music_dummies], axis=1)

music_dummies = music_dummies.drop("genre", axis=1)

Codificação de variáveis binárias (dummies)

music_dummies = pd.get_dummies(music_df, drop_first=True)

print(music_dummies.columns)

Index(['popularity', 'acousticness', 'danceability', 'duration_ms', 'energy',
       'instrumentalness', 'liveness', 'loudness', 'speechiness', 'tempo',
       'valence', 'genre_Anime', 'genre_Blues', 'genre_Classical',
       'genre_Country', 'genre_Electronic', 'genre_Hip-Hop', 'genre_Jazz',
       'genre_Rap', 'genre_Rock'],
      dtype='object')

Regressão linear com variáveis binárias (dummies)

from sklearn.model_selection import cross_val_score, KFold
from sklearn.linear_model import LinearRegression
X = music_dummies.drop("popularity", axis=1).values
y = music_dummies["popularity"].values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, 
                                                    random_state=42)

kf = KFold(n_splits=5, shuffle=True, random_state=42)

linreg = LinearRegression()

linreg_cv = cross_val_score(linreg, X_train, y_train, cv=kf,
                            scoring="neg_mean_squared_error")

print(np.sqrt(-linreg_cv))

[8.15792932, 8.63117538, 7.52275279, 8.6205778, 7.91329988]

Vamos praticar!

Aprendizado Supervisionado com o scikit-learn