Le due feature migliori

Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 59 di 64.

Ecco l’immagine promessa in questo capitolo: le due caratteristiche medie più forti in un unico grafico a dispersione, un colore per classe.

Campioni di tessuto in base alla media dei punti concavi sull’asse orizzontale e alla media del perimetro sull’asse verticale: i campioni benigni si concentrano in basso a sinistra, quelli maligni si distribuiscono verso l’alto e a destra, con le due nuvole che si incontrano in una fascia stretta

I campioni benigni si concentrano in basso a sinistra, quelli maligni si distribuiscono verso l’alto e a destra. Dove le nuvole si incontrano, un modello che usa questa coppia commetterà i suoi errori.

Un ultimo controllo: sono due copie quasi identiche?

first = strength.index[0]
second = strength.index[1]
print(np.round(df[first].corr(df[second]), 2))

Questo stampa 0.85: correlate, non copie. A 0.99 la seconda caratteristica ripeterebbe la prima e non aggiungerebbe quasi nulla di nuovo.

Sfida

Medio

Le caratteristiche error misurano quanto una misurazione è variata tra le cellule di un campione. Le due più forti riescono a distinguere le classi? Il codice iniziale le classifica in first e second; label(ax) assegna i nomi al grafico.

Stampa r between them: e il loro r, con 2 cifre decimali.
Disegna uno scatter plot per classe, con first sull’asse orizzontale e con il nome della classe come etichetta.
Chiama label(ax), aggiungi una legenda e visualizzala.

Come questo, per la coppia worst più forte (r 0.82):

Uno scatter plot intitolato Worst Features, con worst concave points sull’asse orizzontale e worst perimeter su quello verticale; i campioni maligni in blu in alto a destra e quelli benigni in arancione in basso a sinistra

Poi valuta il tuo grafico: le nuvole sono separate? E, in base al tuo r, sono copie?

Provalo tu

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

cancer = load_breast_cancer(as_frame=True)
df = cancer.frame
y = cancer.target
# Le dieci caratteristiche di errore: quanto varia ciascuna misurazione tra le cellule di un campione
X = cancer.data[cancer.feature_names[10:20]]

# In ordine di intensità: first e second sono le due più forti
strength = np.abs(X.corrwith(y)).sort_values(ascending=False)
first = strength.index[0]
second = strength.index[1]


# Imposta il titolo del grafico e assegna agli assi i nomi della coppia
def label(ax):
    ax.set_title("Error Features")
    ax.set_xlabel(first)
    ax.set_ylabel(second)


# Scrivi il tuo codice qui sotto

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 occhiata Tutte le feature insieme Feature a confronto con l'etichettaLe due feature miglioriRiepilogo: dati sul diabete

Esercitati da solo: Compilatore Python online