Sélection de caractéristiques vs extraction de caractéristiques

Réduction de dimensionnalité en Python

Jeroen Boeye

Head of Machine Learning, Faktion

Pourquoi réduire la dimensionnalité ?

 

Votre ensemble de données sera :
  • moins complexe
  • moins exigeant en espace disque
  • plus rapide à calculer
  • moins à risque de surapprentissage du modèle
Réduction de dimensionnalité en Python

Sélection de caractéristiques

revenu âge couleur préférée

Réduction de dimensionnalité en Python

Sélection de caractéristiques

caractéristique retirée

insurance_df.drop('favorite color', axis=1)
Réduction de dimensionnalité en Python

Créer un pairplot sur les données ANSUR

sns.pairplot(ansur_df, hue="gender", diag_kind='hist')

nuage de paires du corps

Réduction de dimensionnalité en Python

Créer un pairplot sur les données ANSUR

sns.pairplot(ansur_df, hue="gender", diag_kind='hist')

nuage de paires du corps annoté

Réduction de dimensionnalité en Python

Créer un pairplot sur les données ANSUR

sns.pairplot(ansur_df, hue="gender", diag_kind='hist')

pairplot constant

Réduction de dimensionnalité en Python

Sélection de caractéristiques

Schéma de sélection de caractéristiques

Réduction de dimensionnalité en Python

Sélection de caractéristiques

Schéma de sélection de caractéristiques

Extraction de caractéristiques

Schéma d'extraction de caractéristiques

Réduction de dimensionnalité en Python

Extraction de caractéristiques — Exemple

pairplot 4 vs 4

Réduction de dimensionnalité en Python

Extraction de caractéristiques — Exemple

pairplot après transformation PCA

Réduction de dimensionnalité en Python

Passons à la pratique !

Réduction de dimensionnalité en Python

Preparing Video For Download...