Särdragsval vs. särdragsextraktion

Dimensionsreduktion i Python

Jeroen Boeye

Head of Machine Learning, Faktion

Varför minska dimensionaliteten?

 

Din datamängd kommer att:
  • vara mindre komplex
  • kräva mindre diskutrymme
  • kräva kortare beräkningstid
  • ha lägre risk för modellöveranpassning
Dimensionsreduktion i Python

Särdragsval

inkomst ålder favoritfärg

Dimensionsreduktion i Python

Särdragsval

borttaget särdrag

insurance_df.drop('favorite color', axis=1)
Dimensionsreduktion i Python

Skapa en parvis plot med ANSUR-data

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

parvis plot kroppsdata

Dimensionsreduktion i Python

Skapa en parvis plot med ANSUR-data

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

annoterad parvis plot kroppsdata

Dimensionsreduktion i Python

Skapa en parvis plot med ANSUR-data

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

konstant parvis plot

Dimensionsreduktion i Python

Särdragsval

Schema för särdragsval

Dimensionsreduktion i Python

Särdragsval

Schema för särdragsval

Särdragsextraktion

Schema för särdragsextraktion

Dimensionsreduktion i Python

Särdragsextraktion – exempel

parvis plot 4 mot 4

Dimensionsreduktion i Python

Särdragsextraktion – exempel

parvis plot med PCA-transformation

Dimensionsreduktion i Python

Nu kör vi en övning!

Dimensionsreduktion i Python

Preparing Video For Download...