Episode

Datenanalyse und Vorbereitung auf logistische Regression [Teil 15] | Maschinelles Lernen für Anfänger

durch Bea Stollnitz

Maschinelles Lernen für Einsteiger

Treten Sie Bea Stollnitz, einem Principal Cloud Advocate bei Microsoft, bei, wie sie zeigt, wie Daten für die Erstellung eines logistischen Regressionsmodells analysiert und vorbereitet werden. In diesem Video arbeiten wir mit dem in früheren Videos verwendeten Kürbis-Dataset, mit dem Ziel, vorherzusagen, ob ein Kürbis orange oder weiß ist, basierend auf seinen Merkmalen 🎃.

Sie lernen Folgendes:

  • Erkunden und sauber des Datasets
  • Visualisieren der Daten mit Seaborn
  • So transformieren Sie kategorisierte Features mithilfe von Ordinal- und One-Hot-Codierung
  • Verwenden von Bezeichnungs-Encodern

In diesem Video erfahren Sie, wie Sie die Daten analysieren, erforderliche sauber ups durchführen und kategorisierte Features in ein geeignetes Format für logistische Regression umwandeln. Wir verwenden Seaborn zur Visualisierung und veranschaulichen, wie Barplots und Schwarm-Plots erstellt werden, um die Beziehung zwischen Kürbismerkmalen zu verstehen.

Bleiben Sie auf dem nächsten Video dieser Reihe, in dem wir diese vorbereiteten Daten verwenden werden, um ein Prädiktivmodell zu erstellen. Wir sehen uns!

Kapitel

  • 00:00: Einführung
  • 00:28 - Das Notizbuch, das wir verwenden
  • 00:57 - Untersuchen Sie den Kürbisdatensatz
  • 01:08 - Daten sauber up auf dem Kürbisdatensatz mit Pandas
  • 01:20 - Visualisieren von Daten mithilfe von Seegeborenen
  • 02:23 - Datentransformation für kategorisierte Features
  • 03:05 - Transformieren der Kürbisgröße mit einem Ordinal-Encoder
  • 03:27 - Transformieren kategorisiererischer Features mit einer heißen Codierung
  • 04:03 - Transformieren von Bezeichnungen mithilfe eines Bezeichnungsgebers
  • 04:25 - Verwenden eines seegeborenen Katzenplots und Schwarmgrundstücks
  • Dieser Kurs basiert auf dem kostenlosen Open-Source-Lehrplan ML For Beginners (ML für Einsteiger) mit 26 Lektionen von Microsoft.
  • Das Jupyter-Notizbuch , das Sie zusammen mit dieser Lektion verfolgen können, ist verfügbar!

Verbinden

Azure Machine Learning
Python