La maledizione della dimensionalità

Riduzione della dimensionalità in Python

Jeroen Boeye

Head of Machine Learning, Faktion

Dall'osservazione al pattern

Città	Prezzo
Berlino	2
Parigi	3

Città	Prezzo
Berlino	2
Parigi	3

grafico di distribuzione semplice

Distribuzione: Berlino vs Parigi

Separa la variabile da predire dalle feature per addestrare il modello.

y = house_df['City']

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

Esegui uno split 70% train e 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)

Crea un Support Vector Machine Classifier e adestralo sui dati di training

from sklearn.svm import SVC

svc = SVC()

svc.fit(X_train, y_train)

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

Distribuzione: Berlino vs Parigi

Città	Prezzo	n_floors	n_bathroom	surface_m2
Berlino	2.0	1	1	190
Berlino	3.1	2	1	187
Berlino	4.3	2	2	240
Parigi	3.0	2	1	170
Parigi	5.2	2	2	290
...	...	...	...	...

Riduzione della dimensionalità in Python