پیش پردازش داده ها برای یادگیری ماشینی در Python

نحوه تبدیل یک مجموعه داده برای یک مدل یادگیری ماشین

عنوان اصلی : Data pre-processing for Machine Learning in Python

سرفصل های دوره :

مقدمه:
مجموعه داده
بسته های پایتون مورد نیاز
تمیز کردن داده ها:
تمیز کردن ویژگی های عددی
تمیز کردن ویژگی های طبقه بندی
پر کردن خالی knn
columntransformer و make_column_selector
تمرینات
رمزگذاری ویژگی های طبقه بندی شده:
مقدمه ای برای رمزگذاری متغیرهای طبقه بندی
رمزگذاری یک داغ
رمزگذاری ترتیب
رمزگذاری برچسب متغیر هدف
ورزش
تحولات ویژگی های عددی:
مقدمه ای بر تحولات
تحول قدرت
binning
binarizing
استفاده از یک تحول دلخواه
ورزش
در مورد تحولات قدرت
خطوط لوله:
خط لوله تحول را تعریف کنید
خطوط لوله و ستونی با هم
تمرینات
مقیاس گذاری:
مقدمه ای برای مقیاس گذاری
عادی سازی ، استاندارد سازی ، مقیاس پذیری قوی
ورزش
تجزیه و تحلیل مؤلفه اصلی:
مقدمه PCA
نحوه انجام PCA
ورزش
انتخاب ویژگی مبتنی بر فیلتر:
مقدمه ای برای انتخاب ویژگی
ویژگی های عددی ، هدف عددی
ویژگی های عددی ، هدف طبقه بندی
ویژگی های طبقه بندی ، هدف عددی
ویژگی های طبقه بندی ، هدف طبقه بندی
با توجه به یک مدل اهمیت ویژگی
نظر در مورد اطلاعات متقابل
نظری در مورد انتخاب ویژگی با متغیرهای طبقه بندی
تمرینات
یک خط لوله کامل:
نمونه ای از یک خط لوله کامل
نمونه برداری:
مقدمه ای برای SMOTE
نحوه انجام SMOTE
ورزش
دستورالعمل های عمومی:
پیشنهادات عملی