Klątwa wymiarowości

Redukcja wymiarowości w Pythonie

Jeroen Boeye

Head of Machine Learning, Faktion

Od obserwacji do wzorca

City	Price
Berlin	2
Paris	3

City	Price
Berlin	2
Paris	3

Prosty wykres rozkładu

Rozkład Berlin vs. Paryż

Oddziel cechę do predykcji od cech treningowych.

y = house_df['City']

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

Podziel dane na 70% treningowych i 30% testowych

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)

Utwórz klasyfikator SVM i dopasuj go do danych treningowych

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

Rozkład Berlin vs. Paryż

City	Price	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
...	...	...	...	...

Redukcja wymiarowości w Pythonie