Признаки X и целевая переменная y
Подготовка входных данных в формате, которого ожидает библиотека
«Признаки X и целевая переменная y» — бесплатный урок Data Science Academy на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Data Science Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Data Science Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
Inputs and Outputs
Supervised models learn a mapping from inputs to an output. The inputs are your features, and the output is what you want to predict. 🎯
Meet X and y
By convention, features go in a capital X and the target goes in a lowercase y. This naming shows up in nearly every example you read.
X Is Two-Dimensional
Capital X is a 2D table: one row per sample, one column per feature. scikit-learn always expects this rows-by-columns shape.
X.shape # (n_samples, n_features)y Is One-Dimensional
The target y is usually a single column: one value per sample. Its length must match the number of rows in X exactly.
y.shape # (n_samples,)Split a DataFrame
From a pandas table, you carve out X and y by selecting columns. The target column becomes y; everything else becomes X.
X = df.drop(columns=['price'])
y = df['price']Features Should Be Numeric
Most estimators expect numeric features. Text and category columns need encoding into numbers before they can enter X.
Keep the Target Out of X
Never leave the answer inside your features. A target hiding in X is leakage, and it makes a model look perfect but useless.
Rows Must Line Up
Row one of X must correspond to value one of y. This alignment is how the model connects each sample to its correct answer.
Regression vs Classification
If y holds continuous numbers it is regression; if y holds categories it is classification. The target's type decides the model family.
Feed Both Into fit
Once X and y are ready, you hand both to fit together. The model reads features and answers side by side to learn.
model.fit(X, y)predict Takes X Only
When predicting, you pass new features with the same columns as training X. You never pass y, since that is what you want back.
model.predict(X_new)Quick Check
Make sure you have the shapes of X and y straight.
Recap
Split your data into X, a 2D feature table, and y, the 1D target. Keep them aligned and leak-free, and fit is ready to learn. ✅
Часто задаваемые вопросы
Урок «Признаки X и целевая переменная y» бесплатный?
Да — полный текст урока «Признаки X и целевая переменная y» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Data Science Academy, подпишись на CoddyKit PRO. Курс Data Science Academy содержит 4 уроков всего.
Чему я научусь в уроке «Признаки X и целевая переменная y»?
Подготовка входных данных в формате, которого ожидает библиотека Ты практикуешь Data Science Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Data Science Academy?
Предыдущий опыт не требуется. Data Science Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.
Сколько времени занимает урок «Признаки X и целевая переменная y»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Data Science Academy?
Да. Каждый урок Data Science Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Контракт fit и predict
- Признаки X и целевая переменная y
- Обучение линейной регрессии
- Оценка Вашей первой модели