Proč generovat příznaky?

Feature Engineering for Machine Learning in Python

Robert O'Callaghan

Director of Data Science, Ordergroove

Feature Engineering

Feature Engineering for Machine Learning in Python

Typy dat

  • Spojitý: celá čísla (integer) nebo desetinná čísla (float)
  • Kategorický: omezená sada hodnot, např. pohlaví, země narození
  • Ordinální: seřazené hodnoty, často bez informace o vzdálenosti
  • Boolean: hodnoty True/False
  • Datetime: datum a čas
Feature Engineering for Machine Learning in Python

Struktura kurzu

  • Kapitola 1: Tvorba a extrakce příznaků

  • Kapitola 2: Zpracování neuspořádaných dat

  • Kapitola 3: Normalizace příznaků

  • Kapitola 4: Práce s textovými příznaky

Feature Engineering for Machine Learning in Python

Pandas

import pandas as pd  
df = pd.read_csv(path_to_csv_file)
print(df.head())
Feature Engineering for Machine Learning in Python

Datová sada

              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 for Machine Learning in Python

Názvy sloupců

print(df.columns)

Index(['SurveyDate', 'FormalEducation',
       'ConvertedSalary', 'Hobby', 'Country',
       'StackOverflowJobsRecommend', 'VersionControl', 
       'Age', 'Years Experience', 'Gender', 
       'RawSalary'], dtype='object')
Feature Engineering for Machine Learning in Python

Typy sloupců

print(df.dtypes)

SurveyDate                            object
FormalEducation                       object
ConvertedSalary                      float64
...
Years Experience                       int64
Gender                                object
RawSalary                             object
dtype: object
Feature Engineering for Machine Learning in Python

Výběr konkrétních datových typů

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

Index(['Age', 'Years Experience'], dtype='object')
Feature Engineering for Machine Learning in Python

Pojďme na to!

Feature Engineering for Machine Learning in Python

Preparing Video For Download...