La malédiction de la dimensionnalité

Réduction de dimension en Python

Jeroen Boeye

Head of Machine Learning, Faktion

De l'observation au motif

Ville Prix
Berlin 2
Paris 3
Réduction de dimension en Python

De l'observation au motif

Ville Prix
Berlin 2
Paris 3

diagramme de distribution terne

Réduction de dimension en Python

De l'observation au motif

Ville Prix
Berlin 2.0
Berlin 3.1
Berlin 4.3
Paris 3.0
Paris 5.2
... ...

Distribution Berlin vs Paris

Réduction de dimension en Python

Créer un classifieur de villes – séparation des données

Séparez la variable à prédire des variables d'entraînement du modèle.

y = house_df['City']

X = house_df.drop('City', axis=1)

Effectuez une division 70 % entraînement et 30 % test

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
Réduction de dimension en Python

Créer un classifieur de villes – ajustement du modèle

Créez un classifieur à marges maximales (SVM) et ajustez-le aux données d'entraînement

from sklearn.svm import SVC

svc = SVC()

svc.fit(X_train, y_train)
Réduction de dimension en Python

Créer un classifieur de villes – prédire

from sklearn.metrics import accuracy_score

print(accuracy_score(y_test, svc.predict(X_test)))

0.826

print(accuracy_score(y_train, svc.predict(X_train)))

0.832
Réduction de dimension en Python

Ajout de variables

Ville Prix
Berlin 2.0
Berlin 3.1
Berlin 4.3
Paris 3.0
Paris 5.2
... ...

Distribution Berlin vs Paris

Réduction de dimension en Python

Ajout de variables

Ville Prix n_floors n_bathroom surface_m2
Berlin 2.0 1 1 190
Berlin 3.1 2 1 187
Berlin 4.3 2 2 240
Paris 3.0 2 1 170
Paris 5.2 2 2 290
... ... ... ... ...
Réduction de dimension en Python

Passons à la pratique !

Réduction de dimension en Python

Preparing Video For Download...