Bölüm

Lojistik Regresyon için Veri Analizi ve Hazırlığı [Bölüm 15] | Yeni Başlayanlar için Makine Öğrenmesi

örneklerini şununla değiştirin: Bea Stollnitz

Yeni Başlayanlar için Makine Öğrenmesi

Microsoft'un Baş Bulut Danışmanı Bea Stollnitz'e katılın ve lojistik regresyon modeli oluşturmak için verileri nasıl analiz edip hazırlayabileceğinizi gösterdi. Bu videoda, önceki videolarda kullanılan balkabağı veri kümesiyle, özelliklerine 🎃 göre balkabağı turuncu mu yoksa beyaz mı olduğunu tahmin etmek için çalışacağız.

Öğreneceğiniz şeyler:

  • Veri kümesini keşfetme ve temizleme
  • Seaborn ile verileri görselleştirme
  • Sıralı ve tek etkin kodlama kullanarak kategorik özellikleri dönüştürme
  • Etiket kodlayıcılarını kullanma

Bu videoda verileri analiz etmeyi, gerekli temizlemeleri yapmayı ve kategorik özellikleri lojistik regresyon için uygun bir biçime dönüştürmeyi öğreneceksiniz. Görselleştirme için Seaborn'u kullanacağız ve balkabağı özellikleri arasındaki ilişkiyi anlamak için çubuk çizimler ve sürü çizimleri oluşturmayı göstereceğiz.

Tahmine dayalı bir model oluşturmak için bu hazırlanmış verileri kullanacağımız bu serideki bir sonraki video için bizi izlemeye devam edin. Orada görüşürüz!

Chapters

  • 00:00 - Giriş
  • 00:28 - Kullanmakta olduğumuz not defteri
  • 00:57 - Balkabağı veri kümesini araştırma
  • 01:08 - Pandas kullanarak balkabağı veri kümesinde veri temizleme
  • 01:20 - Seaborn kullanarak verileri görselleştirme
  • 02:23 - Kategorik özellikler için veri dönüştürme
  • 03:05 - Sıralı kodlayıcı kullanarak kabak boyutunu dönüştürme
  • 03:27 - Tek bir etkin kodlama kullanarak kategorik özellikleri dönüştürme
  • 04:03 - Etiket kodlayıcı kullanarak etiketleri dönüştürme
  • 04:25 - Deniz doğan kedi arsası ve sürü çizimi kullanma

Bağlan

Azure Machine Learning
Python