Episodio

Análisis de datos y preparación para la regresión logística [parte 15] | Aprendizaje automático para principiantes

con Bea Stollnitz

Aprendizaje automático para principiantes

Únase a Bea Stollnitz, promotor principal de la nube de Microsoft, ya que muestra cómo analizar y preparar los datos para crear un modelo de regresión logística. En este vídeo, trabajaremos con el conjunto de datos de calabaza usado en vídeos anteriores, con el objetivo de predecir si una calabaza es naranja o blanco en función de sus características 🎃 .

Lo qué aprenderá:

  • Exploración y limpieza del conjunto de datos
  • Visualización de los datos con Seaborn
  • Transformación de características de categorías mediante ordinal y codificación única
  • Uso de codificadores de etiquetas

En este vídeo, aprenderá a analizar los datos, a realizar las limpiezas necesarias y a transformar las características de categorías en un formato adecuado para la regresión logística. Usaremos Seaborn para la visualización y demostraremos cómo crear trazados de barras y trazados enjambres para comprender la relación entre las características de calabaza.

Manténgase atento al siguiente vídeo de esta serie, donde usaremos estos datos preparados para crear un modelo predictivo. ¿Está ahí?

Capítulos

  • 00:00 - Introducción
  • 00:28 - El cuaderno que usamos
  • 00:57 - Investigar el conjunto de datos de calabaza
  • 01:08 : limpieza de datos en el conjunto de datos de calabaza mediante pandas
  • 01:20 : Visualización de datos mediante seaborn
  • 02:23 : transformación de datos para características categóricas
  • 03:05 - Transformación del tamaño de calabaza mediante un codificador ordinal
  • 03:27 - Transformación de características de categorías mediante una codificación activa
  • 04:03 : Transformación de etiquetas mediante un codificador de etiquetas
  • 04:25 - Uso de un trazado de gatos marinos y trazado enjambre

Conexión

Azure Machine Learning
Python