Un premier aperçu

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 56 sur 64.

Chaque modèle commence par quelqu’un qui examine attentivement ses données. Ce chapitre se termine par une image comme celle-ci : deux mesures qui séparent les tumeurs selon leur classe.

Échantillons de tissu mammaire représentés par des points, la moyenne des points concaves en abscisse et la moyenne du périmètre en ordonnée : les échantillons bénins se regroupent en bas à gauche, tandis que les échantillons malins s’étendent vers le haut et la droite

Commence par quatre vérifications : la taille, les valeurs manquantes, les plages et les classes. Pour les vins :

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

Cela affiche :

(178, 14)
0

13 caractéristiques plus target, et .sum().sum() n’a révélé aucune lacune. df.describe() indique l’étendue de chaque caractéristique.

Enfin, les classes. normalize=True transforme les effectifs en proportions :

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

Barres des trois classes de vin : class_0 33 %, class_1 40 %, class_2 27 %, avec une ligne pointillée à 40 % indiquant toujours class_1 : 40 % correct

Répondre toujours class_1 est correct 40% du temps : le modèle de référence qu’un vrai modèle doit surpasser.

Défi

Moyen

Examinez load_breast_cancer une première fois, avant qu'un modèle n'apprenne à partir de ces données. Le code de départ le charge dans df et lit le nom d'une caractéristique. Affichez :

La taille et le nombre de cellules manquantes.
Le minimum, le maximum et la médiane de la caractéristique, à partir de describe().
La part de chaque classe, en pourcentage entier, dans l'ordre des classes.
La référence : la part la plus importante et sa classe.

Pour les fleurs d'iris et l'entrée petal length (cm), le programme affiche :

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

Les données sur les iris sont parfaitement équilibrées. Est-ce aussi le cas des données tissulaires ?

Essayez vous-même

from sklearn.datasets import load_breast_cancer

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

# Écrivez votre code ci-dessous

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Toutes les leçons de Statistiques pour le ML

Entraînez-vous par vous-même : Compilateur Python en ligne