Створення Інтерактивних Ознак
Інтеракційні ознаки — це нові змінні, утворені шляхом поєднання двох або більше існуючих ознак, часто за допомогою математичних операцій, таких як множення, ділення або додавання, щоб відобразити, як ці змінні спільно впливають на цільову змінну.
Створення інтеракційних ознак дозволяє враховувати складні взаємозв’язки між змінними у наборі даних Titanic, такими як Age, Fare, Pclass та Sex. Вплив однієї змінної на виживання може залежати від значення іншої. Наприклад, ефект класу пасажира на виживання може відрізнятися для чоловіків і жінок, або молодші пасажири можуть отримувати більше переваг від вищої вартості квитка. Поєднуючи ознаки, як-от Age * Fare або Pclass * Sex_encoded, ви дозволяєте моделі виявляти ці тонкі закономірності, підвищуючи її здатність прогнозувати виживання на основі взаємодії змінних.
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"]])
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 8.33Створення Інтерактивних Ознак
Свайпніть щоб показати меню
Інтеракційні ознаки — це нові змінні, утворені шляхом поєднання двох або більше існуючих ознак, часто за допомогою математичних операцій, таких як множення, ділення або додавання, щоб відобразити, як ці змінні спільно впливають на цільову змінну.
Створення інтеракційних ознак дозволяє враховувати складні взаємозв’язки між змінними у наборі даних Titanic, такими як Age, Fare, Pclass та Sex. Вплив однієї змінної на виживання може залежати від значення іншої. Наприклад, ефект класу пасажира на виживання може відрізнятися для чоловіків і жінок, або молодші пасажири можуть отримувати більше переваг від вищої вартості квитка. Поєднуючи ознаки, як-от Age * Fare або Pclass * Sex_encoded, ви дозволяєте моделі виявляти ці тонкі закономірності, підвищуючи її здатність прогнозувати виживання на основі взаємодії змінних.
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"]])
Дякуємо за ваш відгук!
