Özet - Veri ön işleme

Bu grupta veri temizleme, eksik veri ve etiket kodlamayı öğrendin.

Özet: veri ön işleme

Modelden önce verinin geçtiği adımlar:

Temizlik: yinelenenler, yazım farkları, aykırı değerler.
Eksik değerler: dropna ya da SimpleImputer.
Türler: to_numeric, astype.
Kodlama: etiket için LabelEncoder, sırasız özellik için one-hot.
Bölme: train_test_split, gerekirse stratify ve doğrulama kümesi.

Altın kural: doldurma ve kodlama gibi her öğrenilen adım yalnızca eğitim verisinde fit edilir.

Uygulama Sızıntısız doldurma

SimpleImputer(strategy="mean")'ı yalnızca X_train ile fit et, ardından X_test'i transform et ve sonucu yazdır.

Örnek çözümü göster

import numpy as np
from sklearn.impute import SimpleImputer

X_train = np.array([[2.0], [4.0], [6.0]])
X_test = np.array([[np.nan], [10.0]])

imp = SimpleImputer(strategy="mean")
imp.fit(X_train)
print(imp.transform(X_test))

Kendini test et

SimpleImputer test verisinde nasıl kullanılmalıdır?
- Test verisinde yeniden fit_transform
- Hiç kullanılmamalı
- Tüm veride fit edilmeli
- Eğitimde fit edilen nesneyle yalnızca transform
Cevabı göster

Eğitimde fit edilen nesneyle yalnızca transform — Test verisinin ortalaması eğitime sızmamalıdır; aynı öğrenilmiş değer uygulanır.
Eğitimde öğrenilen doldurmayı test verisine uygula.
```
X_test = imp.____(X_test)
```
Cevabı göster
```
X_test = imp.transform(X_test)
```
Adımları araçlarla eşleştir.

Eksik doldurma

SimpleImputer
Metin etiket

LabelEncoder
Sırasız özellik

OneHotEncoder
Dengeli bölme

stratify

Sıradaki ders: Ortalama

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler