Python For Kids · Oppitunti

Piirteiden muodostaminen ja valinta

Tutustukaa menetelmiin, joilla mallien ennustuskykyä voidaan parantaa

Oppitunti 4/611 vaihetta

Piirteiden muodostaminen ja valinta on ilmainen Python For Kids-oppitunti CoddyKitissä. Tämä on oppitunti 4/6. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Python For Kids-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Python For Kids-kurssilla on yhteensä 6 oppituntia.

Ominaisuuksien suunnittelu ja valinta

Ominaisuuksien suunnittelu ja valinta ovat keskeisiä vaiheita tehokkaiden koneoppimismallien rakentamisessa. Näissä prosesseissa luodaan uusia ominaisuuksia ja valitaan tärkeimmät niistä mallin suorituskyvyn parantamiseksi.

Tässä oppitunnissa opitte ominaisuuksien suunnittelun ja valinnan tekniikoita ennustetarkkuuden parantamiseksi.

Piirteiden muodostaminen ja valinta — kuvitus 1

Mitä ominaisuuksien suunnittelu on?

Ominaisuuksien suunnittelussa raakadatasta luodaan uusia ominaisuuksia, jotta koneoppimismallit toimisivat tehokkaammin. Esimerkkejä ovat:

Aikaleimoista poimittavat aikaan perustuvat ominaisuudet, kuten päivä, kuukausi tai tunti.
Useiden ominaisuuksien yhdistäminen uudeksi ominaisuudeksi.
Numeeristen ominaisuuksien skaalaaminen niiden vaihteluvälin standardoimiseksi.

Uusien ominaisuuksien luominen

Luodaan olemassa olevien tietojen perusteella uusia ominaisuuksia:

# Example: Creating new features
import pandas as pd

data = {'Timestamp': ['2025-01-01 12:00:00', '2025-01-02 15:30:00']}
df = pd.DataFrame(data)
df['Hour'] = pd.to_datetime(df['Timestamp']).dt.hour
df['Day'] = pd.to_datetime(df['Timestamp']).dt.day
print(df)

Ominaisuuksien skaalaus

Skaalaus varmistaa, että kaikki numeeriset ominaisuudet ovat samalla asteikolla, mikä parantaa mallin suorituskykyä:

# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
values = [[10], [20], [30]]
scaled_values = scaler.fit_transform(values)
print(scaled_values)

Ominaisuuksien valinta

Ominaisuuksien valinnassa mallille valitaan olennaisimmat ominaisuudet. Yleisiä menetelmiä ovat:

Suodatusmenetelmät: Ominaisuuksien valitseminen tilastollisten mittareiden, kuten korrelaation, perusteella.
Wrapper-menetelmät: Algoritmien, kuten Recursive Feature Elimination (RFE), käyttäminen.
Sisäsyntyiset menetelmät: Ominaisuuksien valitseminen mallin koulutuksen aikana, esimerkiksi Lasso-regressiossa.

Korrelaatioon perustuva ominaisuuksien valinta

Voimakkaasti korreloivat ominaisuudet voivat olla päällekkäisiä. Laskekaa korrelaatiot Pandasin avulla:

# Example: Correlation-based feature selection
import pandas as pd

data = {'Feature1': [1, 2, 3], 'Feature2': [2, 4, 6], 'Feature3': [1, 1, 1]}
df = pd.DataFrame(data)
print(df.corr())

Rekursiivinen ominaisuuksien eliminointi (RFE)

RFE on wrapper-menetelmä, joka poistaa iteratiivisesti vähiten tärkeät ominaisuudet:

# Example: RFE
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression

X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
y = [0, 1, 0]
model = LogisticRegression()
rfe = RFE(model, n_features_to_select=2)
rfe.fit(X, y)
print("Selected Features:", rfe.support_)

Ominaisuuksien tärkeys puupohjaisissa malleissa

Puupohjaiset mallit, kuten Random Forests, tuottavat ominaisuuksien tärkeyspisteitä:

# Example: Feature importance
from sklearn.ensemble import RandomForestClassifier

X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
y = [0, 1, 0]
model = RandomForestClassifier()
model.fit(X, y)
print("Feature Importances:", model.feature_importances_)

Yleisiä virheitä ominaisuuksien suunnittelussa

Välttäkää seuraavia virheitä:

Liian monien ominaisuuksien luominen, mikä voi johtaa ylisovittamiseen.
Skaalauksen tarpeen sivuuttaminen etäisyyteen perustuvissa algoritmeissa.
Voimakkaasti korreloivien ominaisuuksien käyttäminen, mikä aiheuttaa päällekkäisyyttä.

Mitä opimme?

Tässä oppitunnissa opitte:

Ominaisuuksien suunnittelun ja valinnan merkityksen koneoppimisessa.
Tekniikoita uusien ominaisuuksien luomiseen ja numeeristen ominaisuuksien skaalaamiseen.
Valitsemaan olennaisia ominaisuuksia RFE:n ja puupohjaisten mallien kaltaisilla menetelmillä.
Yleiset virheet, joita ominaisuuksien suunnittelun aikana tulee välttää.

Hienoa työtä! Siirrytään seuraavaan aiheeseen.

Piirteiden muodostaminen ja valinta — kuvitus 11

Aloita maksutta

Opi Python tekoälytuutorin avulla — ilmaiseksi

Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.

Kurssit: 22
Oppitunnit: 94

Aloita opiskelu maksutta Näytä koko kurssi

Usein kysytyt kysymykset

Onko oppitunti ”Piirteiden muodostaminen ja valinta” ilmainen?

Kyllä – oppitunnin ”Piirteiden muodostaminen ja valinta” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Python For Kids-kurssin, päivitä CoddyKit PROhon. Python For Kids-kurssilla on yhteensä 6 oppituntia.

Mitä opin oppitunnilla ”Piirteiden muodostaminen ja valinta”?

Tutustukaa menetelmiin, joilla mallien ennustuskykyä voidaan parantaa Harjoittelet Python For Kids-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.

Tarvitsenko kokemusta aloittaakseni Python For Kids-opiskelun?

Aiempi kokemus ei ole tarpeen. CoddyKitin Python For Kids-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 4/6.

Kuinka kauan ”Piirteiden muodostaminen ja valinta”-oppitunnin suorittaminen kestää?

Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.

Voinko kirjoittaa ja suorittaa koodia tällä Python For Kids-oppitunnilla?

Kyllä. Jokainen Python For Kids-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.

Kaikki tämän kurssin oppitunnit

← Takaisin: Python For Kids