Creación de Características de Interacción
Las características de interacción son nuevas variables formadas al combinar dos o más características existentes, a menudo mediante operaciones matemáticas como multiplicación, división o suma, para reflejar cómo estas variables influyen conjuntamente en el objetivo.
La creación de características de interacción permite capturar relaciones complejas entre variables en el conjunto de datos del Titanic, como Age, Fare, Pclass y Sex. La influencia de una variable sobre la supervivencia puede depender del valor de otra variable. Por ejemplo, el efecto de la clase del pasajero en la supervivencia puede diferir entre hombres y mujeres, o los pasajeros más jóvenes podrían beneficiarse más de tarifas más altas. Al combinar características como Age * Fare o Pclass * Sex_encoded, se habilita al modelo para aprender estos patrones matizados, mejorando su capacidad para predecir quién sobrevivió en función de cómo interactúan las variables.
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"]])
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 8.33Creación de Características de Interacción
Desliza para mostrar el menú
Las características de interacción son nuevas variables formadas al combinar dos o más características existentes, a menudo mediante operaciones matemáticas como multiplicación, división o suma, para reflejar cómo estas variables influyen conjuntamente en el objetivo.
La creación de características de interacción permite capturar relaciones complejas entre variables en el conjunto de datos del Titanic, como Age, Fare, Pclass y Sex. La influencia de una variable sobre la supervivencia puede depender del valor de otra variable. Por ejemplo, el efecto de la clase del pasajero en la supervivencia puede diferir entre hombres y mujeres, o los pasajeros más jóvenes podrían beneficiarse más de tarifas más altas. Al combinar características como Age * Fare o Pclass * Sex_encoded, se habilita al modelo para aprender estos patrones matizados, mejorando su capacidad para predecir quién sobrevivió en función de cómo interactúan las variables.
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"]])
¡Gracias por tus comentarios!
