מבט ראשון

חלק מהיחידה סטטיסטיקה ללמידת מכונה במסלול ה-Machine Learning של Coddy. שיעור 56 מתוך 64.

כל מודל מתחיל בכך שמישהו בוחן מקרוב את הנתונים שלו. הפרק הזה מסתיים בתמונה כזאת: שתי מדידות שמפרידות בין גידולים לפי מחלקה.

דגימות של רקמת שד כנקודות, ממוצע הנקודות הקעורות לרוחב והיקף ממוצע לגובה: דגימות שפירות מתרכזות בפינה השמאלית התחתונה, ודגימות ממאירות מתפזרות כלפי מעלה וימינה

התחילו בארבע בדיקות: גודל, ערכים חסרים, טווחים ומחלקות. בנתוני היין:

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

זה מדפיס:

(178, 14)
0

13 מאפיינים ועוד target, ו־.sum().sum() לא מצאו ערכים חסרים בשום מקום. df.describe() מציג את הטווח של כל מאפיין.

לבסוף, המחלקות. normalize=True הופך את הספירות לחלקים:

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

עמודות של שלוש מחלקות היין: class_0 ‏33%, class_1 ‏40%, class_2 ‏27%, עם קו מקווקו ב־40% המסומן תמיד class_1: ‏40% נכון

לענות תמיד class_1 נכון ב־40% מהמקרים: זהו קו הבסיס שמודל אמיתי חייב להתעלות עליו.

אתגר

בינוני

בצעו בדיקה ראשונית של load_breast_cancer, לפני שמודל כלשהו לומד ממנו. קוד הפתיחה טוען אותו לתוך df וקורא את שם המאפיין. הדפיסו:

את הגודל ואת התאים החסרים.
את הערכים המינימלי והמקסימלי ואת החציון של המאפיין, מתוך describe().
את החלק היחסי של כל מחלקה באחוזים שלמים, לפי סדר המחלקות.
את קו הבסיס: החלק היחסי הגדול ביותר ואת המחלקה שלו.

עבור פרחי האירוס והקלט petal length (cm), הפלט הוא:

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

הנתונים של האירוס מאוזנים לחלוטין. האם גם נתוני הרקמה?

נסו בעצמכם

from sklearn.datasets import load_breast_cancer

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

# כתבו את הקוד שלכם למטה

בחנו את עצמכם

השיעור הזה כולל חידון קצר. התחילו את השיעור כדי לענות עליו ולעקוב אחרי ההתקדמות.

כל השיעורים ביחידה סטטיסטיקה ללמידת מכונה

תרגלו בעצמכם: קומפיילר Python אונליין