Toutes les caractéristiques à la fois

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 57 sur 64.

Trente caractéristiques nécessitent trente histogrammes. Ils sont plus faciles à lire sous forme d’une grille de petits graphiques, comme ces quatre caractéristiques de l’iris :

Quatre petits histogrammes dans une grille de 2 sur 2, un par caractéristique de l’iris : les deux histogrammes des sépales présentent un seul pic, tandis que les deux histogrammes des pétales se divisent chacun en un petit bloc à gauche et un large pic à droite

Une boucle remplit la grille en traçant le graphique i avec la caractéristique i :

names = iris.feature_names
fig, axs = plt.subplots(2, 2)
for i in range(4):
    ax = axs.flat[i]
    ax.hist(iris.frame[names[i]], bins=15)
    ax.set_title(names[i])
fig.tight_layout()
plt.show()

plt.subplots(2, 2) crée un tableau de graphiques, et axs.flat les aligne ligne par ligne :

Une grille de 2 lignes et 3 colonnes, dont les cellules sont numérotées de axs.flat 0 à 5, d’abord le long de la ligne 0, puis de la ligne 1, chacune avec sa ligne et sa colonne indiquées en dessous

fig.tight_layout() garde les titres à l’écart. Maintenant, lis ceci : les deux histogrammes des pétales se divisent en deux. Un tel écart signifie souvent qu’une classe se distingue, alors conserve cette caractéristique.

Défi

Moyen

Visualisez l'ensemble des données tissulaires. L'entrée choisit un groupe, mean, error ou worst, et le code de départ place ses six premiers noms de caractéristiques dans names.

Créez une grille de 2 lignes et 3 colonnes.
Dans le graphique i, tracez un histogramme de la caractéristique i avec 20 classes, et donnez-lui son nom comme titre.
Organisez la mise en page, puis affichez-la.

Comme cette grille de six caractéristiques du vin :

Six petits histogrammes répartis sur 2 lignes de 3, intitulés alcohol, malic_acid, ash, alcalinity_of_ash, magnesium et total_phenols, chacun avec 20 barres

Votre programme n'affiche rien : Coddy décrit chaque graphique.

Essayez vous-même

import matplotlib.pyplot as plt
from sklearn.datasets import load_breast_cancer

group = input()
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame
# Les six premiers noms de caractéristiques du groupe : mean, error ou worst
start = {"mean": 0, "error": 10, "worst": 20}[group]
names = cancer.feature_names[start:start + 6]

# 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

2Distributions

Histogrammes de densité Formes des données La courbe normale La règle des 68-95-99,7 Scores z Récapitulatif : autonomie de la batterie

5Valeurs aberrantes

Diagrammes en boîte La règle de l’écart interquartile La règle du score Z Traiter les valeurs aberrantes Récapitulatif : anomalies des capteurs

8Comparer des groupes

Diagrammes en boîte par groupe Différence entre les moyennes Est-ce dû au hasard ?Valeurs p Le test t Récapitulatif : test A/B

11Explorer un jeu de données

Un premier aperçuToutes les caractéristiques à la foisCaractéristiques et étiquette Les deux meilleures caractéristiques Récapitulatif : données sur le diabète

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