Merkmale im Vergleich zum Label

Teil des Abschnitts Statistik für ML der Machine Learning-Journey von Coddy. Lektion 58 von 64.

Welche Merkmale verändern sich mit dem Label? Korreliere jedes davon damit, mit 0 für bösartig und 1 für gutartig, und ordne sie nach Stärke:

Horizontale Balken für r der zehn Mittelwertmerkmale der Gewebedaten, stärkstes oben: mittlere konkave Punkte -0.78, mittlerer Umfang -0.74, mittlerer Radius -0.73, bis hin zur mittleren fraktalen Dimension bei 0.01

X.corrwith(y) liefert auf einmal das r jedes Merkmals:

X = cancer.data[cancer.feature_names[:10]]
r = X.corrwith(cancer.target)
strength = np.abs(r).sort_values(ascending=False)
for name in strength.index[:3]:
    print(name, np.round(r[name], 2))

Dies gibt aus:

mean concave points -0.78
mean perimeter -0.74
mean radius -0.73

Ein negatives r bedeutet, dass das Merkmal in Klasse 0 größer ist: Bösartige Zellen haben mehr konkave Punkte. np.abs ordnet nach Stärke, unabhängig vom Vorzeichen.

Nahe 0 unterscheidet sich ein Merkmal, ähnlich wie die fraktale Dimension, kaum zwischen den Klassen: ein Kandidat zum Weglassen.

Aufgabe

Mittel

Welche Gewebemerkmale sollte ein Modell zuerst ausprobieren? Die Eingaben sind eine Gruppe, error oder worst, und k; im Startcode werden die Merkmale der Gruppe in X gespeichert.

Ordne die Merkmale nach der Stärke ihrer Korrelation r mit y.
Gib die besten k mit ihrem vorzeichenbehafteten r auf 2 Dezimalstellen aus.
Überprüfe das Vorzeichen: Gib die Klassenmittelwerte des stärksten Merkmals aus.

Für die Gruppe mean und k = 2:

Top 2 mean features:
mean concave points: -0.78
mean perimeter: -0.74
mean concave points by class: malignant 0.09, benign 0.03

Probier es selbst

import numpy as np
from sklearn.datasets import load_breast_cancer

group = input()
k = int(input())
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame
y = cancer.target
# Die zehn Merkmale der Gruppe: mean, error oder worst
start = {"mean": 0, "error": 10, "worst": 20}[group]
X = cancer.data[cancer.feature_names[start:start + 10]]

# Schreibe deinen Code unten