La malédiction de la dimensionnalité

Réduction de dimensionnalité en Python

Jeroen Boeye

Head of Machine Learning, Faktion

De l'observation au motif

Ville Prix
Berlin 2
Paris 3
Réduction de dimensionnalité en Python

De l'observation au motif

Ville Prix
Berlin 2
Paris 3

diagramme de distribution terne

Réduction de dimensionnalité en Python

De l'observation au motif

Ville Prix
Berlin 2.0
Berlin 3.1
Berlin 4.3
Paris 3.0
Paris 5.2
... ...

Distribution Berlin vs Paris

Réduction de dimensionnalité en Python

Créer un classificateur de villes – division des données

Séparez la caractéristique à prédire de celles pour entraîner le modèle.

y = house_df['City']

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

Effectuez une division 70 % entraînement et 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)
Réduction de dimensionnalité en Python

Créer un classificateur de villes – ajustement du modèle

Créez un classificateur à vecteurs de support et ajustez-le aux données d'entraînement

from sklearn.svm import SVC

svc = SVC()

svc.fit(X_train, y_train)
Réduction de dimensionnalité en Python

Créer un classificateur de villes – prédiction

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
Réduction de dimensionnalité en Python

Ajout de caractéristiques

Ville Prix
Berlin 2.0
Berlin 3.1
Berlin 4.3
Paris 3.0
Paris 5.2
... ...

Distribution Berlin vs Paris

Réduction de dimensionnalité en Python

Ajout de caractéristiques

Ville Prix 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
... ... ... ... ...
Réduction de dimensionnalité en Python

Passons à la pratique !

Réduction de dimensionnalité en Python

Preparing Video For Download...