Yhteisvaikutusominaisuuksien Luominen
Interaktiopiirteet ovat uusia muuttujia, jotka muodostetaan yhdistämällä kaksi tai useampia olemassa olevia piirteitä, usein matemaattisten operaatioiden, kuten kertolaskun, jakolaskun tai yhteenlaskun avulla, jotta voidaan kuvata, miten nämä muuttujat yhdessä vaikuttavat kohteeseen.
Interaktiopiirteiden luominen mahdollistaa monimutkaisten riippuvuuksien havaitsemisen Titanic-aineiston muuttujien, kuten Age, Fare, Pclass ja Sex, välillä. Yhden muuttujan vaikutus selviytymiseen voi riippua toisen muuttujan arvosta. Esimerkiksi matkustusluokan vaikutus selviytymiseen voi olla erilainen miehillä ja naisilla, tai nuoremmat matkustajat voivat hyötyä enemmän korkeammista lipunhinnoista. Yhdistämällä piirteitä, kuten Age * Fare tai Pclass * Sex_encoded, mahdollistat mallin oppia näitä hienovaraisia yhteyksiä, mikä parantaa sen kykyä ennustaa selviytymistä muuttujien vuorovaikutuksen perusteella.
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"]])
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain how these interaction features improve model performance?
What other interaction features could be useful for the Titanic dataset?
How do I interpret the values of these new features?
Awesome!
Completion rate improved to 8.33Yhteisvaikutusominaisuuksien Luominen
Pyyhkäise näyttääksesi valikon
Interaktiopiirteet ovat uusia muuttujia, jotka muodostetaan yhdistämällä kaksi tai useampia olemassa olevia piirteitä, usein matemaattisten operaatioiden, kuten kertolaskun, jakolaskun tai yhteenlaskun avulla, jotta voidaan kuvata, miten nämä muuttujat yhdessä vaikuttavat kohteeseen.
Interaktiopiirteiden luominen mahdollistaa monimutkaisten riippuvuuksien havaitsemisen Titanic-aineiston muuttujien, kuten Age, Fare, Pclass ja Sex, välillä. Yhden muuttujan vaikutus selviytymiseen voi riippua toisen muuttujan arvosta. Esimerkiksi matkustusluokan vaikutus selviytymiseen voi olla erilainen miehillä ja naisilla, tai nuoremmat matkustajat voivat hyötyä enemmän korkeammista lipunhinnoista. Yhdistämällä piirteitä, kuten Age * Fare tai Pclass * Sex_encoded, mahdollistat mallin oppia näitä hienovaraisia yhteyksiä, mikä parantaa sen kykyä ennustaa selviytymistä muuttujien vuorovaikutuksen perusteella.
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"]])
Kiitos palautteestasi!
