Tutte le feature insieme

Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 57 di 64.

Trenta caratteristiche richiedono trenta istogrammi. Si leggono più rapidamente come una griglia di piccoli grafici, come queste quattro caratteristiche dell’iris:

Quattro piccoli istogrammi disposti in una griglia 2 per 2, uno per ciascuna caratteristica dell’iris: i due istogrammi dei sepali hanno un’unica gobba, i due istogrammi dei petali si suddividono ciascuno in un piccolo blocco a sinistra e un’ampia gobba a destra

Un ciclo riempie la griglia, il grafico i con la caratteristica 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) crea una griglia di grafici e axs.flat li dispone riga per riga:

Una griglia di 2 righe e 3 colonne, le cui celle sono numerate da axs.flat 0 a 5 lungo la riga 0 per prima, poi la riga 1, con la rispettiva riga e colonna indicate sotto ciascuna

fig.tight_layout() mantiene separati i titoli. Ora osserva: entrambi gli istogrammi dei petali si dividono in due. Un divario del genere spesso significa che una classe è separata, quindi mantieni quella caratteristica.

Sfida

Medio

Osserva tutti i dati sui tessuti. L’input sceglie un gruppo, mean, error oppure worst, e il codice iniziale inserisce i primi sei nomi delle caratteristiche del gruppo in names.

Crea una griglia di 2 righe e 3 colonne.
Nel grafico i, disegna un istogramma della caratteristica i con 20 intervalli e usa il suo nome come titolo.
Disponi gli elementi in modo ordinato, poi visualizza la griglia.

Come questa griglia con sei caratteristiche del vino:

Sei piccoli istogrammi in 2 righe da 3, intitolati alcohol, malic_acid, ash, alcalinity_of_ash, magnesium e total_phenols, ognuno con 20 barre

Il tuo programma non stampa nulla: Coddy descrive ogni grafico.

Provalo tu

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

group = input()
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame
# The first six feature names of the group: mean, error or worst
start = {"mean": 0, "error": 10, "worst": 20}[group]
names = cancer.feature_names[start:start + 6]

# Write your code below

Mettiti alla prova

Questa lezione include un breve quiz. Inizia la lezione per rispondere e tenere traccia dei tuoi progressi.

Tutte le lezioni di Statistica per il machine learning

2Distribuzioni

Istogrammi di densità Forme dei dati Curva normale Regola 68-95-99,7 Punteggi Z Riepilogo: durata della batteria

5Valori anomali

Diagrammi a scatola La regola dell'IQR La regola dello z-score Gestire i valori anomali Riepilogo: anomalie dei sensori

8Confrontare gruppi

Diagrammi a scatola per gruppo Differenza tra le medie Potrebbe essere solo caso?I p-value Il test t Riepilogo: test A/B

11Esplorare un dataset

Una prima occhiataTutte le feature insiemeFeature a confronto con l'etichetta Le due feature migliori Riepilogo: dati sul diabete

Esercitati da solo: Compilatore Python online