Зміст курсу
Метод Головних Компонент
Метод Головних Компонент
Досліджуємо набір даних
Тепер ми детальніше розглянемо створення PCA моделі на прикладі одного набору даних. В якості набору даних ми використаємо wine з набору scikit-learn. Він містить 13 характеристик вина та 3 класи. Він особливо зручний для нас тим, що в ньому немає категоріальних змінних.
Завантажимо набір даних:
Тепер давайте дослідимо набір даних, щоб зрозуміти, з якими даними ми працюємо. Перетворимо numpy масив X у фрейм даних pandas і перевіримо кількість відсутніх даних:
Щоб отримати повний опис кожного стовпчика (середнє значення, стандартне відхилення тощо), використовуйте метод .describe():
Перш ніж завантажити набір даних у модель PCA, давайте опрацюємо наші дані. Виходячи з попередніх уроків, ви могли помітити, що важливим кроком є стандартизація даних. Ми реалізуємо це за допомогою класу StandardScaler():
Завдання
Прочитати дані з файлу train.csv (файл з Інтернету). Видалити стовпець "Id" з набору даних та стандартизувати його.
Завдання
Прочитати дані з файлу train.csv (файл з Інтернету). Видалити стовпець "Id" з набору даних та стандартизувати його.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівВсе було зрозуміло?
Досліджуємо набір даних
Тепер ми детальніше розглянемо створення PCA моделі на прикладі одного набору даних. В якості набору даних ми використаємо wine з набору scikit-learn. Він містить 13 характеристик вина та 3 класи. Він особливо зручний для нас тим, що в ньому немає категоріальних змінних.
Завантажимо набір даних:
Тепер давайте дослідимо набір даних, щоб зрозуміти, з якими даними ми працюємо. Перетворимо numpy масив X у фрейм даних pandas і перевіримо кількість відсутніх даних:
Щоб отримати повний опис кожного стовпчика (середнє значення, стандартне відхилення тощо), використовуйте метод .describe():
Перш ніж завантажити набір даних у модель PCA, давайте опрацюємо наші дані. Виходячи з попередніх уроків, ви могли помітити, що важливим кроком є стандартизація даних. Ми реалізуємо це за допомогою класу StandardScaler():
Завдання
Прочитати дані з файлу train.csv (файл з Інтернету). Видалити стовпець "Id" з набору даних та стандартизувати його.
Завдання
Прочитати дані з файлу train.csv (файл з Інтернету). Видалити стовпець "Id" з набору даних та стандартизувати його.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівВсе було зрозуміло?
Досліджуємо набір даних
Тепер ми детальніше розглянемо створення PCA моделі на прикладі одного набору даних. В якості набору даних ми використаємо wine з набору scikit-learn. Він містить 13 характеристик вина та 3 класи. Він особливо зручний для нас тим, що в ньому немає категоріальних змінних.
Завантажимо набір даних:
Тепер давайте дослідимо набір даних, щоб зрозуміти, з якими даними ми працюємо. Перетворимо numpy масив X у фрейм даних pandas і перевіримо кількість відсутніх даних:
Щоб отримати повний опис кожного стовпчика (середнє значення, стандартне відхилення тощо), використовуйте метод .describe():
Перш ніж завантажити набір даних у модель PCA, давайте опрацюємо наші дані. Виходячи з попередніх уроків, ви могли помітити, що важливим кроком є стандартизація даних. Ми реалізуємо це за допомогою класу StandardScaler():
Завдання
Прочитати дані з файлу train.csv (файл з Інтернету). Видалити стовпець "Id" з набору даних та стандартизувати його.
Завдання
Прочитати дані з файлу train.csv (файл з Інтернету). Видалити стовпець "Id" з набору даних та стандартизувати його.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівВсе було зрозуміло?
Тепер ми детальніше розглянемо створення PCA моделі на прикладі одного набору даних. В якості набору даних ми використаємо wine з набору scikit-learn. Він містить 13 характеристик вина та 3 класи. Він особливо зручний для нас тим, що в ньому немає категоріальних змінних.
Завантажимо набір даних:
Тепер давайте дослідимо набір даних, щоб зрозуміти, з якими даними ми працюємо. Перетворимо numpy масив X у фрейм даних pandas і перевіримо кількість відсутніх даних:
Щоб отримати повний опис кожного стовпчика (середнє значення, стандартне відхилення тощо), використовуйте метод .describe():
Перш ніж завантажити набір даних у модель PCA, давайте опрацюємо наші дані. Виходячи з попередніх уроків, ви могли помітити, що важливим кроком є стандартизація даних. Ми реалізуємо це за допомогою класу StandardScaler():
Завдання
Прочитати дані з файлу train.csv (файл з Інтернету). Видалити стовпець "Id" з набору даних та стандартизувати його.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів