Korelasyon Matrisi
Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 31 / 64.
Özellik seçmek, her sütunu hedefle aynı anda karşılaştırmak anlamına gelir. df.corr(numeric_only=True), metin sütunlarını atlayarak korelasyon matrisini oluşturur:
laptops = pd.DataFrame({
"model": ["Arc", "Bolt", "Cove", "Dune", "Echo", "Flux", "Gale"],
"ram_gb": [8, 16, 8, 32, 16, 16, 32],
"weight_kg": [2.3, 1.4, 2.0, 1.1, 1.8, 1.2, 1.6],
"battery_h": [7, 9, 10, 13, 6, 11, 8],
"price": [650, 1100, 700, 1600, 900, 1350, 1200],
})
corr = laptops.corr(numeric_only=True)Her hücre, satırının ve sütununun r değeridir. En güçlü özelliği bulmak için işaretleri yok sayarak fiyat sütununu büyüklüğe göre sıralayın:
ranked = np.abs(corr["price"]).sort_values(ascending=False)
print(ranked.index[1])Bu, şunu yazdırır:
weight_kg0. indeks, 1'deki price'ın kendisidir. Daha hafif dizüstü bilgisayarlar daha pahalıdır: -0.95 en güçlü bağlantıdır.
Görev
OrtaBir enerji şirketi kışın 24 evi araştırdı. homes.csv dosyasında bir home kodu ve area_m2, insulation_cm, residents, outside_temp_c ve heating_kwh sayı sütunları bulunur. Program bir hedef sütunu okur.
- Hedef sütunun korelasyon matrisindeki değerlerini 2 ondalık basamağa yuvarlayarak yazdırın.
- Aşağıdaki gibi
Strongest:ifadesini, onunla en güçlü ilişkisi olan diğer sütunu ve bu sütununrdeğerini yazdırın.
Başka bir araştırma ve heating_kwh hedefi için:
windows 0.72
floors 0.68
age_years 0.23
heating_kwh 1.00
Name: heating_kwh, dtype: float64
Strongest: windows (r = 0.72)Kendin dene
import numpy as np
import pandas as pd
homes = pd.read_csv("homes.csv")
target = input()
# Kodunuzu aşağıya yazın
Kendini test etBu ders kısa bir quiz içerir. Soruları yanıtlamak ve ilerlemeni kaydetmek için derse başla.
Makine Öğrenimi için İstatistik bölümündeki tüm dersler
1Merkez ve Yayılım
Ortalama ve MedyanYüzdelikler ve ÇeyreklerVaryans ve Standart SapmaÖrneklem mi, Anakütle mi?En Sık Görülen DeğerÖzet: Teslimat Süreleri4Örneklemler ve Anakütleler
Anakütle ve ÖrneklemÖrneklem Ortalamaları DeğişirÖrnekleme DağılımıDaha Büyük Örneklemler, Daha Az GürültüÖzet: Bir Kasabada Anket Yapmak7Eğilim Doğruları
ArtıklarEn Küçük Kareler UydurmasıUydurma Doğrusunu ÇizmeBir Doğruyla Tahmin YapmaUydurma Ne Kadar İyi?Tekrar: Alıştırma Saatleri10Kategorileri Kodlama
Sayılar Olarak KategorilerOne-Hot EncodingSayıları Gruplara AyırmaÖzet: Araba İlanları2Dağılımlar
Yoğunluk HistogramlarıVeri Dağılımlarının ŞekilleriNormal Eğri68-95-99,7 KuralıZ PuanlarıÖzet: Pil Ömrü5Aykırı Değerler
Kutu GrafikleriIQR KuralıZ-Skoru KuralıAykırı Değerleri Ele AlmaÖzet: Sensör Hataları8Grupları Karşılaştırma
Gruplara Göre Kutu GrafikleriOrtalamalar Arasındaki FarkŞans Eseri Olabilir mi?P-Değerlerit-TestiÖzet: A/B Testi11Bir Veri Kümesini Keşfetmek
İlk BakışTüm Özellikler Bir AradaÖzellikler ve EtiketEn İyi İki ÖzellikÖzet: Diyabet Verileri3Simülasyonla Olasılık
Frekans Olarak OlasılıkBüyük Sayılar YasasıZarların ToplamıBeklenen DeğerKoşullu OlasılıkTekrar: Zar Tezgâhının Olasılıkları6İlişkiler
Dağılım Grafiklerini OkumaKorelasyonKorelasyon MatrisiKorelasyon Isı HaritalarıKorelasyon Nedensellik DeğildirÖzet: Dondurma ve GüneşKendi başına pratik yap: Online Python derleyicisi