提供给模型的数据

Coddy 机器学习入门课程的第 2 课，共 19 课。

在机器学习中，数据在训练和开发模型时起着至关重要的作用。要将数据输入模型，通常会将其整理成一种结构化格式，称为数据集（pandas 中的 DataFrame）。

数据集由两个主要部分组成：

特征 - 表示一组数据的若干列
目标变量 - 表示模型旨在预测或估算的输出或值。

例如，这是一个天气表

id	degrees (C)	humidity (%)	wind (KM/H)	is_rain
1	23	5	14	True
2	30	10	17	False
3	15	3	12	False
4	20	12	5	False
5	26	57	23	True

假设我们想知道是否会下雨，那么特征是 degrees、humidity 和 wind，目标变量是 is_rain。

特征记作 X，目标记作 y。
目标变量（y）可以包含任何类型的数据，例如数字、布尔值、字符串等。

在训练过程中，模型将特征用作输入，并将目标变量用作真实值或正确的输出。

如果没有目标变量，模型就无法判断自己的预测是否正确。

数据集的结构有许多不同形式：
多个特征，单个目标变量
单个特征，单个目标变量
多个特征，多个目标变量
少量特征，单个或多个目标变量
没有目标变量
时间序列数据
等等。

监督学习使用包含输入与输出配对的数据集，算法会学习将输入映射到对应的目标变量。

无监督学习不涉及目标变量，而是在没有带标签样本的情况下，从输入数据中寻找模式或结构。

确保目标变量与其他列相互独立至关重要，因为任何依赖关系都可能导致数据泄漏，并使训练期间的性能看起来虚高。真正具有预测能力的模型必须从与目标没有直接关系的特征中学习，从而保证模型预测的可靠性和泛化能力。
独立的目标变量不能直接通过数据集中的其他列计算或推导出来，它就是你要预测的内容。

自我测试

这节课包含一个小测验。开始学习即可作答，并记录你的进度。

自我测试

这节课包含一个小测验。开始学习即可作答，并记录你的进度。

自我测试

这节课包含一个小测验。开始学习即可作答，并记录你的进度。

挑战

简单

你会获得一个名为 galactic_zoo_no_target.csv 的 CSV 文件。这个数据集没有目标变量。

在这个挑战中，你将创建自己的目标变量。根据以下公式创建一个名为 ComplexityIndex 的列：WaterCoverage * HabitatDiversity / PlanetMass。然后，删除 WaterCoverage、HabitatDiversity 和 PlanetMass 列，因为它们现在由 ComplexityIndex 表示。

要通过这个挑战，不要打印任何内容，我们会在内部检查 df 变量。

亲手试试

# pandas 已作为 pd 导入
df = pd.read_csv("galactic_zoo_no_target.csv")
# 在下方编写你的代码

机器学习入门中的所有课

1ML 之旅的开始

ML 简介提供给模型的数据什么是 ML 模型

4K-Means 算法

K-Means 简介 fit 方法 predict 方法

2机器学习概述

监督学习无监督学习

5朴素贝叶斯

朴素贝叶斯简介 fit 方法 predict 方法

3K-近邻（KNN）

KNN 简介 fit 方法 predict 方法

6其他模型

逻辑回归线性回归决策树支持向量机（SVM）模型测验

自己练习： Python 在线编译器