Oprettelse af Interaktionsfunktioner
Interaktionsfunktioner er nye variable, der dannes ved at kombinere to eller flere eksisterende funktioner, ofte gennem matematiske operationer såsom multiplikation, division eller addition, for at afspejle, hvordan disse variable i fællesskab påvirker målet.
Oprettelse af interaktionsfunktioner gør det muligt at indfange komplekse relationer mellem variable i Titanic-datasættet, såsom Age, Fare, Pclass og Sex. Indflydelsen af én variabel på overlevelse kan afhænge af en anden variabels værdi. For eksempel kan effekten af passagerklasse på overlevelse variere for mænd og kvinder, eller yngre passagerer kan have større fordel af højere billetpriser. Ved at kombinere funktioner som Age * Fare eller Pclass * Sex_encoded gør du det muligt for din model at lære disse nuancerede mønstre, hvilket forbedrer dens evne til at forudsige, hvem der overlevede, baseret på hvordan variable interagerer.
1234567891011121314151617181920import pandas as pd # Sample Titanic-like dataset data = { "Age": [22, 38, 26, 35, 28], "Fare": [7.25, 71.28, 7.92, 53.10, 8.05], "Pclass": [3, 1, 3, 1, 3], "Sex": ["male", "female", "female", "female", "male"], "Survived": [0, 1, 1, 1, 0] } df = pd.DataFrame(data) # Encode 'Sex' as a numeric feature df["Sex_encoded"] = df["Sex"].map({"male": 0, "female": 1}) # Create interaction features df["Age_Fare_product"] = df["Age"] * df["Fare"] df["Pclass_Sex_interaction"] = df["Pclass"] * df["Sex_encoded"] print(df[["Age", "Fare", "Pclass", "Sex", "Age_Fare_product", "Pclass_Sex_interaction", "Survived"]])
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Awesome!
Completion rate improved to 8.33Oprettelse af Interaktionsfunktioner
Stryg for at vise menuen
Interaktionsfunktioner er nye variable, der dannes ved at kombinere to eller flere eksisterende funktioner, ofte gennem matematiske operationer såsom multiplikation, division eller addition, for at afspejle, hvordan disse variable i fællesskab påvirker målet.
Oprettelse af interaktionsfunktioner gør det muligt at indfange komplekse relationer mellem variable i Titanic-datasættet, såsom Age, Fare, Pclass og Sex. Indflydelsen af én variabel på overlevelse kan afhænge af en anden variabels værdi. For eksempel kan effekten af passagerklasse på overlevelse variere for mænd og kvinder, eller yngre passagerer kan have større fordel af højere billetpriser. Ved at kombinere funktioner som Age * Fare eller Pclass * Sex_encoded gør du det muligt for din model at lære disse nuancerede mønstre, hvilket forbedrer dens evne til at forudsige, hvem der overlevede, baseret på hvordan variable interagerer.
1234567891011121314151617181920import pandas as pd # Sample Titanic-like dataset data = { "Age": [22, 38, 26, 35, 28], "Fare": [7.25, 71.28, 7.92, 53.10, 8.05], "Pclass": [3, 1, 3, 1, 3], "Sex": ["male", "female", "female", "female", "male"], "Survived": [0, 1, 1, 1, 0] } df = pd.DataFrame(data) # Encode 'Sex' as a numeric feature df["Sex_encoded"] = df["Sex"].map({"male": 0, "female": 1}) # Create interaction features df["Age_Fare_product"] = df["Age"] * df["Fare"] df["Pclass_Sex_interaction"] = df["Pclass"] * df["Sex_encoded"] print(df[["Age", "Fare", "Pclass", "Sex", "Age_Fare_product", "Pclass_Sex_interaction", "Survived"]])
Tak for dine kommentarer!
