Demasiadas características

Parte de la sección Aprendizaje no supervisado del Journey de Machine Learning de Coddy. Lección 24 de 51.

Este capítulo reúne muchas características en pocas. Al final, 13 mediciones de vino se convierten en un mapa:

178 vinos en un mapa con dos nuevas características en horizontal y vertical: tres grupos, la variedad 1 a la derecha, la variedad 2 abajo en el centro, la variedad 3 a la izquierda

¿Por qué reducir? Muchas características son difíciles de representar gráficamente, lentas de ajustar y a menudo se repiten entre sí, como estas dos:

Fenoles totales en el eje horizontal y flavonoides en el vertical para 178 vinos: los puntos ascienden juntos desde la parte inferior izquierda hasta la superior derecha, con r = 0.86

Los gemelos llevan una idea duplicada. La matriz de correlación los detecta, con un r cercano a 1 o -1:

wine = load_wine(as_frame=True).frame
corr = wine.corr()
print(round(corr.loc["flavanoids", "total_phenols"], 2))

Esto imprime 0.86. Conserva uno de cada par o fusiónalos: la fusión es lo que se desarrolla en este capítulo.

Desafío

Intermedio

Un taller de jabón mide 10 cosas en cada lote de jabón y los informes se hacen largos. Encuentra los pares gemelos. El programa lee un límite; el código inicial crea corr.

Recorre cada par de columnas distintas una vez.
Imprime cada par cuyo r tenga un valor absoluto de al menos el límite, con r con 2 decimales.
Imprime cuántos pares encontraste.

Para otro taller y un límite de 0.85:

lye_g and oil_g: 0.91
cure_days and water_left_pct: -0.88
Twin pairs: 2

Pruébalo tú mismo

import pandas as pd

# Un taller de jabones: 10 mediciones para cada uno de los 60 lotes de jabón
batches = pd.read_csv("soaps.csv")
limit = float(input())
corr = batches.corr()
cols = corr.columns

# Escribe tu código a continuación