Pourquoi générer des caractéristiques ?

Feature engineering pour le Machine Learning en Python

Robert O'Callaghan

Director of Data Science, Ordergroove

Feature Engineering

Feature engineering pour le Machine Learning en Python

Différents types de données

  • Continues : entiers (nombres entiers) ou flottants (décimaux)
  • Catégorielles : parmi un ensemble limité de valeurs, ex. genre, pays de naissance
  • Ordinaires : valeurs classées, souvent sans information de distance
  • Booléennes : valeurs True/False
  • Date/heure : dates et heures
Feature engineering pour le Machine Learning en Python

Structure du cours

  • Chapitre 1 : Création et extraction de caractéristiques

  • Chapitre 2 : Ingénierie de données brouillonnes

  • Chapitre 3 : Normalisation des caractéristiques

  • Chapitre 4 : Travailler avec des caractéristiques textuelles

Feature engineering pour le Machine Learning en Python

Pandas

import pandas as pd  
df = pd.read_csv(path_to_csv_file)
print(df.head())
Feature engineering pour le Machine Learning en Python

Jeu de données

              SurveyDate  \
0    2018-02-28 20:20:00     
1    2018-06-28 13:26:00     
2    2018-06-06 03:37:00     
3    2018-05-09 01:06:00     
4    2018-04-12 22:41:00    

                              FormalEducation
0    Bachelor's degree (BA. BS. B.Eng.. etc.)
1    Bachelor's degree (BA. BS. B.Eng.. etc.)
2    Bachelor's degree (BA. BS. B.Eng.. etc.)
3    Some college/university study  ...
4    Bachelor's degree (BA. BS. B.Eng.. etc.)
Feature engineering pour le Machine Learning en Python

Noms de colonnes

print(df.columns)

Index(['SurveyDate', 'FormalEducation',
       'ConvertedSalary', 'Hobby', 'Country',
       'StackOverflowJobsRecommend', 'VersionControl', 
       'Age', 'Years Experience', 'Gender', 
       'RawSalary'], dtype='object')
Feature engineering pour le Machine Learning en Python

Types de colonnes

print(df.dtypes)

SurveyDate                            object
FormalEducation                       object
ConvertedSalary                      float64
...
Years Experience                       int64
Gender                                object
RawSalary                             object
dtype: object
Feature engineering pour le Machine Learning en Python

Sélectionner des types précis

only_ints = df.select_dtypes(include=['int'])
print(only_ints.columns)

Index(['Age', 'Years Experience'], dtype='object')
Feature engineering pour le Machine Learning en Python

C'est parti !

Feature engineering pour le Machine Learning en Python

Preparing Video For Download...