Tüm Özellikler Bir Arada
Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 57 / 64.
Otuz özellik, otuz histogram demektir. Bunlar, şu dört iris özelliğinde olduğu gibi, küçük grafiklerden oluşan tek bir ızgarada daha hızlı okunur:
Bir döngü, ızgarayı her grafiğe i. özelliği yerleştirerek doldurur:
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) grafiklerden oluşan bir tablo oluşturur ve axs.flat bunları önce 0. satır, sonra 1. satır olacak şekilde satır satır sıralar:
fig.tight_layout() başlıkları birbirinden ayrı tutar. Şimdi şunu okuyalım: her iki taç yaprağı histogramı da ikiye ayrılıyor. Böyle bir boşluk çoğu zaman bir sınıfın ayrı durduğu anlamına gelir; bu yüzden bu özelliği koru.
Görev
OrtaDokunun verilerine bütün olarak bakın. Girdi bir grup seçer: mean, error veya worst; başlangıç kodu bu grubun ilk altı özellik adını names içine koyar.
- 2 satır ve 3 sütundan oluşan bir ızgara oluşturun.
inumaralı grafikte,inumaralı özelliğin 20 kutucuklu histogramını çizin ve grafiğe özelliğin adını başlık olarak verin.- Düzeni iyileştirin, ardından grafiği gösterin.
Altı şarap özelliğinden oluşan bu ızgara gibi:
Programınız hiçbir şey yazdırmaz: Coddy her grafiği açıklar.
Kendin dene
import matplotlib.pyplot as plt
from sklearn.datasets import load_breast_cancer
group = input()
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame
# Grubun ilk altı özellik adı: mean, error veya worst
start = {"mean": 0, "error": 10, "worst": 20}[group]
names = cancer.feature_names[start:start + 6]
# Kodunuzu aşağıya yazın
Bu 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