まずは見てみよう
CoddyのMachine Learningジャーニー「機械学習のための統計」セクションの一部。レッスン 56/64。
すべてのモデルは、誰かがそのデータを注意深く見ることから始まります。この章の最後には、腫瘍をクラスごとに分ける2つの測定値を示す、次のような図が登場します。
まず4つを確認します：サイズ、欠損値、範囲、クラス。ワインデータセットでは：
wine = load_wine(as_frame=True)
df = wine.frame
print(df.shape)
print(df.isna().sum().sum())これは次のように出力します：
(178, 14)
013 個の特徴量と target があり、.sum().sum() ではどこにも欠損が見つかりませんでした。df.describe() で各特徴量の範囲がわかります。
最後に、クラスです。normalize=True を指定すると、カウントが割合になります。
shares = df["target"].value_counts(normalize=True)常に class_1 と答えると、正解率は40%です。これは実際のモデルが上回る必要のあるベースラインです。
チャレンジ
中級モデルが学習する前に、load_breast_cancerを最初に確認します。スターターコードではデータをdfに読み込み、特徴量の名前を読み取ります。次を出力してください。
- サイズと欠損セルの数。
describe()による特徴量の最小値、最大値、中央値。- 各クラスの割合を、クラスの順番どおりに整数のパーセントで。
- ベースライン：最大の割合とそのクラス。
アヤメの花と入力petal length (cm)に対して、次のように出力します。
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アヤメのデータは完全に均衡しています。組織データもそうでしょうか？
自分で試してみよう
from sklearn.datasets import load_breast_cancer
feature = input()
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame
# 以下にコードを書いてください
腕試しこのレッスンには短いクイズがあります。レッスンを始めて解答し、進捗を記録しましょう。
機械学習のための統計のすべてのレッスン
自分で練習してみよう: Pythonオンラインコンパイラ