Oppretting av Interaksjonsfunksjoner
Interaksjonsvariabler er nye variabler som dannes ved å kombinere to eller flere eksisterende variabler, ofte gjennom matematiske operasjoner som multiplikasjon, divisjon eller addisjon, for å reflektere hvordan disse variablene sammen påvirker målet.
Å lage interaksjonsvariabler gjør det mulig å fange opp komplekse sammenhenger mellom variabler i Titanic-datasettet, som Age, Fare, Pclass og Sex. Innflytelsen én variabel har på overlevelse kan avhenge av verdien til en annen variabel. For eksempel kan effekten av passasjerklasse på overlevelse variere mellom menn og kvinner, eller yngre passasjerer kan ha større fordel av høyere billettpris. Ved å kombinere variabler som Age * Fare eller Pclass * Sex_encoded, gir du modellen mulighet til å lære slike nyanserte mønstre, noe som forbedrer evnen til å forutsi hvem som overlevde basert på hvordan variablene samhandler.
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"]])
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 8.33Oppretting av Interaksjonsfunksjoner
Sveip for å vise menyen
Interaksjonsvariabler er nye variabler som dannes ved å kombinere to eller flere eksisterende variabler, ofte gjennom matematiske operasjoner som multiplikasjon, divisjon eller addisjon, for å reflektere hvordan disse variablene sammen påvirker målet.
Å lage interaksjonsvariabler gjør det mulig å fange opp komplekse sammenhenger mellom variabler i Titanic-datasettet, som Age, Fare, Pclass og Sex. Innflytelsen én variabel har på overlevelse kan avhenge av verdien til en annen variabel. For eksempel kan effekten av passasjerklasse på overlevelse variere mellom menn og kvinner, eller yngre passasjerer kan ha større fordel av høyere billettpris. Ved å kombinere variabler som Age * Fare eller Pclass * Sex_encoded, gir du modellen mulighet til å lære slike nyanserte mønstre, noe som forbedrer evnen til å forutsi hvem som overlevde basert på hvordan variablene samhandler.
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"]])
Takk for tilbakemeldingene dine!
