Klasifikace: inženýrství příznaků

Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Lisa Stuart

Data Scientist

Inženýrství příznaků – proč?

  • Extrahuje další informace z dat
  • Vytváří další relevantní příznaky
  • Jeden z nejefektivnějších způsobů zlepšení prediktivních modelů
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Výhody inženýrství příznaků

  • Zvýšená prediktivní síla algoritmu
  • Zlepšuje výkon modelů strojového učení!
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Typy inženýrství příznaků

  • Indikátorové proměnné
  • Interakční příznaky
  • Reprezentace příznaků
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Indikátorové proměnné

  • Prahový indikátor
    • věk: střední vs. vysoká škola
  • Více příznaků
    • používáno jako příznak
  • Zvláštní události
    • Black Friday
    • Vánoce
  • Skupiny tříd
    • příznak placeného provozu na webu
      • Google adwords{4}}
      • Facebook ads
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Interakční příznaky

  • Součet
  • Rozdíl
  • Součin
  • Podíl
  • Jiné matematické kombinace
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Reprezentace příznaků

  • Časové razítko
    • Den v týdnu
    • Hodina dne
  • Seskupení kategorických hodnot do 'Ostatní'
  • Převod kategorií na dummy proměnné
    • (k - 1) binárních sloupců
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Různé kategorické hodnoty

  • Trénovací data:
    • model trénován s [red, blue, green]

  • Testovací data:

    • model testován s [red, green, yellow]
    • nová barva, která nebyla v tréninku
    • jedna barva chybí

  • Robustní one-hot kódování

1 https://blog.cambridgespark.com/robust-one-hot-encoding-in-python-3e29bfcec77e
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Poměr dluhu k příjmu

  • Monthly Debt
  • Annual Income/12
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Funkce pro inženýrství příznaků

Funkce vrací
sklearn.linear_model.LogisticRegression logistická regrese
sklearn.model_selection.train_test_split funkce rozdělení na trénovací/testovací sadu
sns.countplot(x='Loan Status', data=data) sloupcový graf
df.drop(['Feature 1', 'Feature 2'], axis=1) odstraní seznam příznaků
df["Loan Status"].replace({'Paid': 0, 'Not Paid': 1}) Loan Status jako celá čísla
pd.get_dummies() k - 1 binárních příznaků
sklearn.metrics.accuracy_score(y_test, predict(X_test)) přesnost modelu
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Výborný tutoriál:

Článek Datacamp: kategorická data

Článek Datacamp: kategorická data

Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Pojďme si to procvičit!

Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu

Preparing Video For Download...