วิธีใช้เครื่องผสมพายสำหรับการเลือกคุณสมบัติ?

เฮ้ ฉันเป็นซัพพลายเออร์ของ Paddle Mixers และฉันรู้สึกแย่มากที่จะแบ่งปันวิธีการใช้ Bad Boys เหล่านี้เพื่อเลือกคุณสมบัติ การเลือกคุณสมบัติเป็นขั้นตอนสำคัญในการวิเคราะห์ข้อมูลการเรียนรู้ของเครื่องและเขตข้อมูลเย็นอื่น ๆ ทุกประเภท และเครื่องผสมพายสามารถเป็นเกม - ตัวเปลี่ยนในกระบวนการนี้

ทำความเข้าใจกับเครื่องผสมพายในการเลือกคุณสมบัติ

ก่อนอื่นมารับพื้นหลังกันเถอะ เครื่องผสมพายไม่เพียง แต่ยอดเยี่ยมในการตั้งค่าอุตสาหกรรมเช่นการบำบัดน้ำเสีย (ตรวจสอบของเราเครื่องผสม submersible drifter-เครื่องผสมไฮเปอร์โบลด์, และมิกเซอร์เฟรมสำหรับตัวเลือกด้านบน - รอย) แต่พวกเขายังสามารถใช้เปรียบเทียบในโลกของข้อมูล

ในการวิเคราะห์ข้อมูลการเลือกคุณสมบัติคือทั้งหมดที่เกี่ยวกับการเลือกตัวแปรหรือคุณสมบัติที่เกี่ยวข้องมากที่สุดจากชุดข้อมูล ช่วยในการลดขนาดของข้อมูลปรับปรุงประสิทธิภาพของโมเดลและทำให้การวิเคราะห์มีประสิทธิภาพมากขึ้น คิดว่าเครื่องผสมพายเป็นเครื่องมือที่กระตุ้นข้อมูลของคุณและช่วยให้คุณเลือกส่วนผสมที่ดีที่สุดเพื่อพูด

ขั้นตอนที่ 1: การรวบรวมและเตรียมข้อมูล

ก่อนที่คุณจะเริ่มใช้เครื่องผสมพายสำหรับการเลือกคุณสมบัติคุณต้องมีข้อมูลตามลำดับ นี่หมายถึงการรวบรวมชุดข้อมูลที่เกี่ยวข้องกับปัญหาของคุณ ตัวอย่างเช่นหากคุณกำลังพยายามทำนายลูกค้าปั่นป่วนคุณอาจรวบรวมข้อมูลเกี่ยวกับข้อมูลประชากรของลูกค้าประวัติการซื้อและการใช้บริการ

เมื่อคุณมีข้อมูลแล้วคุณต้องทำความสะอาด ลบค่าที่ขาดหายไปค่าผิดปกติหรือข้อมูลที่ไม่สอดคล้องกัน คุณสามารถใช้ไลบรารี Python เช่น Pandas สำหรับสิ่งนี้ นี่คือตัวอย่างง่ายๆของวิธีลบค่าที่ขาดหายไป:

นำเข้า pandas เป็น pd # โหลด data ของคุณ = pd.read_csv ('your_data.csv') # drop rows ด้วยค่าที่หายไป data = data.dropna ()

ขั้นตอนที่ 2: การสำรวจคุณสมบัติเริ่มต้น

ตอนนี้ข้อมูลของคุณพร้อมแล้วก็ถึงเวลาดูคุณสมบัติทั้งหมดที่คุณมี คุณสามารถใช้การสร้างภาพข้อมูลและมาตรการทางสถิติเพื่อทำความเข้าใจความสัมพันธ์ระหว่างคุณสมบัติที่แตกต่างและตัวแปรเป้าหมาย

สำหรับคุณสมบัติเชิงตัวเลขคุณสามารถคำนวณสหสัมพันธ์ได้ ความสัมพันธ์สูงระหว่างคุณลักษณะและตัวแปรเป้าหมายอาจบ่งบอกว่าคุณลักษณะนั้นมีความสำคัญ คุณสามารถใช้ไฟล์corr ()ฟังก์ชั่นในแพนด้าเพื่อคำนวณสหสัมพันธ์:

# คำนวณความสัมพันธ์สหสัมพันธ์ = data.corr () # พิมพ์สหสัมพันธ์กับการพิมพ์ตัวแปรเป้าหมาย (สหสัมพันธ์ ['target_variable'])

สำหรับคุณสมบัติที่เป็นหมวดหมู่คุณสามารถใช้เทคนิคเช่นการทดสอบ Chi - Square เพื่อดูว่ามีความสัมพันธ์ระหว่างคุณลักษณะและตัวแปรเป้าหมายหรือไม่

ขั้นตอนที่ 3: การใช้ Paddle Mixer - วิธีการที่ได้รับแรงบันดาลใจ

ตอนนี้นี่คือที่มาของเครื่องผสมพายเข้ามาคุณสามารถใช้เครื่องผสมพาย - เช่นวิธีการสลับและประเมินคุณสมบัติของคุณ วิธีหนึ่งในการทำเช่นนี้คือผ่านเทคนิคที่เรียกว่าการกำจัดฟีเจอร์แบบเรียกซ้ำ

การกำจัดฟีเจอร์แบบเรียกซ้ำทำงานโดยเริ่มต้นด้วยคุณสมบัติทั้งหมดในชุดข้อมูลของคุณแล้วค่อยๆลบสิ่งที่สำคัญน้อยที่สุด มันเหมือนกับการใช้เครื่องผสมพายเพื่อกระตุ้นข้อมูลแล้วอ่านชิ้นส่วนที่มีประโยชน์น้อยกว่า

ใน Python คุณสามารถใช้ไฟล์rfeชั้นเรียนจากSklearnห้องสมุด:

จาก sklearn.feature_selection นำเข้า rfe จาก sklearn.linear_model นำเข้า logisticRegression # คุณสมบัติแยกและตัวแปรเป้าหมาย x = data.drop ('target_variable', axis = 1) y = data ['target_variable'] # สร้างโมเดลโมเดลการถดถอยโลจิสติก 5) # พอดีกับวัตถุ RFE กับ data fit = rfe.fit (x, y) # พิมพ์คุณสมบัติที่เลือกพิมพ์ ("คุณสมบัติที่เลือก:", x.columns [fit.support_])

ขั้นตอนที่ 4: การประเมินแบบจำลองด้วยคุณสมบัติที่เลือก

หลังจากที่คุณเลือกคุณสมบัติของคุณถึงเวลาที่จะประเมินว่าโมเดลของคุณทำงานได้ดีแค่ไหน คุณสามารถแยกข้อมูลของคุณออกเป็นชุดฝึกอบรมและชุดทดสอบโดยใช้ไฟล์train_test_splitทำหน้าที่จากSklearn-

จาก sklearn.model_selection นำเข้า train_test_split # แยกข้อมูล x_train, x_test, y_train, y_test = train_test_split (x [x.columns [fit.support_], y, test_size = 0.2, แบบสุ่ม = 42) โมเดลเกี่ยวกับความถูกต้องของข้อมูลการทดสอบ = model.score (x_test, y_test) พิมพ์ ("ความแม่นยำของรุ่น:", ความแม่นยำ)

ขั้นตอนที่ 5: การปรับแต่งซ้ำ ๆ

การเลือกคุณสมบัติไม่ใช่กระบวนการหนึ่งเวลา คุณอาจต้องย้อนกลับและปรับแต่งการเลือกของคุณตามประสิทธิภาพของโมเดล คุณสามารถลองใช้คุณสมบัติที่แตกต่างกันใช้ตัวชี้วัดการประเมินที่แตกต่างกันหรือลองใช้เทคนิคการเลือกคุณสมบัติที่แตกต่างกัน

ตัวอย่างเช่นคุณสามารถลองใช้วิธีการห่อหุ้มเช่นการเลือกไปข้างหน้าซึ่งคุณเริ่มต้นด้วยคุณสมบัติและค่อยๆเพิ่มสิ่งที่สำคัญที่สุด

จาก sklearn.feature_selection นำเข้า SequentialFeaturesElector # สร้างตัวเลือกคุณสมบัติตามลำดับ sfs = sequentialFeaturesElector (รุ่น, n_features_to_select = 5, direction = 'forward') # พอดีตัวเลือกกับข้อมูล sfs.fit (x, y) # พิมพ์คุณสมบัติที่เลือก X.Columns [sfs.get_support ()])

ขั้นตอนที่ 6: การเลือกคุณสมบัติขั้นสุดท้ายและการปรับใช้แบบจำลอง

เมื่อคุณพอใจกับการเลือกคุณสมบัติของคุณคุณสามารถใช้ชุดคุณสมบัติสุดท้ายเพื่อฝึกอบรมโมเดลของคุณและปรับใช้ ตรวจสอบให้แน่ใจว่าได้ทดสอบโมเดลของคุณเกี่ยวกับข้อมูลใหม่ที่มองไม่เห็นเพื่อให้แน่ใจว่ามีความสามารถทั่วไป

ทำไมเครื่องผสมพายจึงเป็นตัวเลือกที่ยอดเยี่ยม

Paddle Mixers ไม่ว่าจะในโลกแห่งความเป็นจริงหรือในคำอุปมาข้อมูลของเราให้ประโยชน์มากมาย ในโลกข้อมูลพวกเขาสนับสนุนวิธีการที่เป็นระบบในการเลือกคุณสมบัติ พวกเขาช่วยให้คุณสำรวจข้อมูลของคุณอย่างละเอียดและตัดสินใจอย่างชาญฉลาดเกี่ยวกับคุณสมบัติที่จะเก็บไว้และที่จะทิ้ง

ในโลกแห่งความเป็นจริงเครื่องผสมพายของเราเป็นที่รู้จักกันดีในเรื่องความทนทานประสิทธิภาพและประสิทธิภาพ พวกเขาได้รับการออกแบบมาเพื่อจัดการกับของเหลวและของแข็งประเภทต่าง ๆ ทำให้เป็นตัวเลือกที่หลากหลายสำหรับการบำบัดน้ำเสียและการใช้งานอุตสาหกรรมอื่น ๆ

ติดต่อเราสำหรับความต้องการเครื่องผสมพายของคุณ

หากคุณสนใจที่จะใช้เครื่องผสมพายสำหรับกระบวนการอุตสาหกรรมของคุณหรือหากคุณมีคำถามใด ๆ เกี่ยวกับการใช้แนวคิดการผสมพายในการวิเคราะห์ข้อมูลอย่าลังเลที่จะเข้าถึง เราอยู่ที่นี่เพื่อช่วยให้คุณใช้ประโยชน์สูงสุดจากข้อมูลและการดำเนินงานอุตสาหกรรมของคุณ

การอ้างอิง

• Hastie, T. , Tibshirani, R. , & Friedman, J. (2009) องค์ประกอบของการเรียนรู้ทางสถิติ: การขุดข้อมูลการอนุมานและการทำนาย สปริงเกอร์
• Vanderplas, J. (2016) คู่มือวิทยาศาสตร์ข้อมูล Python: เครื่องมือสำคัญสำหรับการทำงานกับข้อมูล O'Reilly Media