Date: caracteristici și etichete
Orice set de date pentru Machine Learning arată ca un tabel. Fiecare rând este un exemplu, coloanele de intrare sunt caracteristicile, iar coloana pe care vrei s-o prezici este eticheta. Dacă înțelegi bine aceste trei cuvinte, vei înțelege orice tutorial de ML.
Tabelul în Python
Cel mai simplu mod de a ține tabelul este o listă de liste: fiecare listă interioară e un rând.
apartamente = [
[52, 2, 3, 98000],
[75, 3, 1, 139000],
]
primul = apartamente[0]
print("Caracteristici:", primul[:3])
print("Etichetă:", primul[3])Caracteristici: [52, 2, 3] Etichetă: 98000
primul[:3] ia primele trei valori (indicii 0, 1, 2), iar primul[3] ia ultima. Poți folosi și primul[-1] pentru ultimul element.
Separă caracteristicile de etichete pentru 4 apartamente.
- Pornește de la lista apartamente din editor (fiecare rând: suprafață, camere, etaj, preț).
- Cu o buclă for, pune primele 3 valori ale fiecărui rând în lista caracteristici și ultima valoare în lista etichete.
- Afișează lista caracteristici, apoi lista etichete, fiecare pe rândul ei.
Soluția exercițiului
apartamente = [
[52, 2, 3, 98000],
[75, 3, 1, 139000],
[40, 1, 4, 76000],
[90, 4, 2, 165000],
]
caracteristici = []
etichete = []
for rand in apartamente:
caracteristici.append(rand[:3])
etichete.append(rand[3])
print(caracteristici)
print(etichete) Vrei să afli mai mult?Un tabel de apartamente · Separarea pentru toate rândurile · Cum alegi caracteristicile · Greșeli frecvente · Unde apar caracteristicile și etichetele
Un tabel de apartamente
Să zicem că ai date despre apartamente vândute în Cluj:
| suprafață (mp) | camere | etaj | preț (euro) |
|---|---|---|---|
| 52 | 2 | 3 | 98000 |
| 75 | 3 | 1 | 139000 |
| 40 | 1 | 4 | 76000 |
| 90 | 4 | 2 | 165000 |
- Un exemplu = un rând = un apartament.
- Caracteristicile (în engleză *features*) = suprafața, camerele, etajul: ce știi despre apartament înainte să-l vinzi.
- Eticheta (în engleză *target* sau *label*) = prețul: ce vrei să prezici.
Separarea pentru toate rândurile
Modelele vor caracteristicile și etichetele în două structuri separate. Le construiești cu o buclă și append:
apartamente = [[52, 2, 3, 98000], [75, 3, 1, 139000], [40, 1, 4, 76000]]
caracteristici = []
etichete = []
for rand in apartamente:
caracteristici.append(rand[:3])
etichete.append(rand[3])
print(caracteristici)
print(etichete)[[52, 2, 3], [75, 3, 1], [40, 1, 4]] [98000, 139000, 76000]
Ordinea contează: caracteristici[0] și etichete[0] descriu același apartament. Dacă amesteci ordinea doar într-una din liste, modelul învață prostii.
Cum alegi caracteristicile
- Folosește doar ce știi înainte de momentul predicției. Prețul final de vânzare nu poate fi o caracteristică pentru prețul estimat.
- Caracteristicile trebuie să aibă legătură cu eticheta: suprafața influențează prețul, culoarea ușii probabil nu.
- Caracteristicile trebuie să fie numere pentru majoritatea modelelor; textul (orașul) îl transformi mai târziu în numere.
| Problemă | Caracteristici | Etichetă |
|---|---|---|
| Prețul unui apartament | suprafață, camere, etaj | preț |
| Spam | cuvintele din email | spam / normal |
| Credit | venit, vechime, datorii | aprobat / respins |
| Nota la examen | ore de studiu, ore de somn | nota |
Greșeli frecvente
- Eticheta rămâne printre caracteristici: dacă uiți să o scoți, modelul „vede” răspunsul și pare perfect.
- Indici greșiți: rand[1:3] sare peste prima coloană. Numără cu atenție: în Python indicii încep de la 0.
- Rânduri de lungimi diferite: dacă un apartament nu are etajul, rândul are 3 valori în loc de 4 și separarea iese greșită.
Unde apar caracteristicile și etichetele
Caracteristici: zonă, suprafață, an. Etichetă: prețul.
Caracteristici: ce ai văzut și cumpărat. Etichetă: ai cumpărat produsul recomandat?
Caracteristici: prezență, teme predate. Etichetă: promovat sau nu.
