نظرة أولى

جزء من قسم الإحصاء لتعلّم الآلة في رحلة Machine Learning على Coddy. الدرس 56 من 64.

يبدأ كل نموذج بشخص يفحص بياناته عن كثب. ينتهي هذا الفصل بصورة كهذه: قياسان يفصلان الأورام حسب الفئة.

عينات أنسجة الثدي كنقاط، ومتوسط النقاط المقعرة على المحور الأفقي ومتوسط المحيط على المحور الرأسي: تتجمع العينات الحميدة في أسفل اليسار، بينما تنتشر العينات الخبيثة إلى الأعلى واليمين

ابدأ بأربعة فحوصات: الحجم، والقيم المفقودة، والنطاقات، والفئات. بالنسبة إلى مجموعة بيانات wines:

wine = load_wine(as_frame=True)
df = wine.frame
print(df.shape)
print(df.isna().sum().sum())

يطبع هذا:

(178, 14)
0

13 سمة بالإضافة إلى target، ولم يعثر .sum().sum() على أي قيم مفقودة في أي مكان. يعرض df.describe() نطاق كل سمة.

أخيرًا، الفئات. يحوّل normalize=True الأعداد إلى نسب:

shares = df["target"].value_counts(normalize=True)

أعمدة الفئات الثلاث للنبيذ: class_0 بنسبة 33%، وclass_1 بنسبة 40%، وclass_2 بنسبة 27%، مع خط متقطع عند 40% مُشار إليه بعبارة «دائمًا class_1: 40% صحيح»

الإجابة دائمًا بـ class_1 صحيحة بنسبة 40% من الوقت: خط الأساس الذي يجب أن يتجاوزه نموذج حقيقي.

التحدي

متوسط

أجرِ فحصًا أوليًا لـ load_breast_cancer، قبل أن يتعلم منه أي نموذج. يحمّله الكود الابتدائي في df ويقرأ اسم إحدى الميزات. اطبع:

الحجم والخلايا المفقودة.
الحد الأدنى والحد الأقصى والوسيط للميزة، من describe().
حصة كل فئة كنسبة مئوية صحيحة، بترتيب الفئات.
خط الأساس: أكبر حصة وفئتها.

بالنسبة إلى أزهار السوسن والمدخل petal length (cm)، يطبع:

Size: 150 samples, 4 features
Missing cells: 0
petal length (cm): 1.0 to 6.9, median 4.35
setosa: 33%
versicolor: 33%
virginica: 33%
Baseline: 33% by always answering setosa

بيانات السوسن متوازنة تمامًا. فهل بيانات الأنسجة كذلك؟

جرّب بنفسك

from sklearn.datasets import load_breast_cancer

feature = input()
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame

# اكتب الكود الخاص بك أدناه