Создание моковых данных для тестирования

Анализ данных для классификации KNN

1200

Цель: провести дополнительный анализ данных перед машинным обучением. Решить задачу классификации с помощью машинного обучения. Ход работы: 1. Сделать копию блокнота лабораторной работы 1. 2. Поменять название на Лабораторная работа 2. 3. После метода info() добавить текстовую строку с указанием признаков, в которых есть пропущенные значения и их тип (числовые данные или категориальные данные) 4. Заполнить пропущенные значения, используя стратегии для числовых и категориальных данных соответственно 5. Вывести результат с помощью info() 6. Вывести уникальные значения каждого категориального признака 7. Заменить категориальные признаки на числовые с помощью кодирования Label Encoder 8. Вывести датасет с помощью head() 9. Удалить все столбцы с категориальными значениями 10. По полученному датасету провести описательную статистику и построить корреляционную матрицу. В текстовой строке сделать вывод: 1) появились ли новые сильные взаимосвязи в данных после перевода всех значений в числовые; 2) оценить разницу масштаба данных по средним значениям 11. В текстовом поле ответить на вопрос: какие задачи можно решить на этих данных с помощью машинного обучения с учителем. Сформулировать 3 задачи. 12. Сделать заголовок в текстовом поле «Решение задачи классификации пингвинов по их виду» 13. Ответить в текстовом поле на вопросы: 1) какой признак будет целевым для решения данной задачи? 2) что такое обучающая и тестовая выборки? 14. Записать целевой признак в y, а датасет без целевого признака в x. 15. Разбить выборку на тестовую и обучающую, предварительно подключив соответствующую библиотеку. 16. Создать модель по алгоритму ближайших соседей (KNN). 17. Обучить модель на обучающей выборке. 18. Обученную модель протестировать на тестовой выборке. 19. Выполнить расчет точности. 20. Создать модель с другим числом соседей (n_neighbors= ). 21. Выполнить расчет точности. 22. Написать вывод в тестовой строке. 23. Запустить цикл по числу соседей и выбрать модель с лучшей точностью. 24 Сделать вывод. 25. По-возможности визуализировать полученный результат. 26. Стандартизировать обучающие выборки X_train, X_test. 27. Проверить полученный результат (вывести полученные X_train, X_test) 28. Создать модель с помощью алгоритма KNN, выбрав лучшее число соседей. 29. Подсчитать точность, сделать вывод об эффективности (не эффективности) стандартизации.

Сергей Ковтуненко

Анализ данных и моделирование БД

650

Сформировать описательную модель БД и проанализировать в результате запроса полученные данные Порядок выполнения. 1. Определить самостоятельно БД для анализа 2. Сделать сравнительный анализ данных в выбранной БД 3. Изучить SQL-запросы. 4. Сформировать выборку данных и проанализировать по выбранным критериям.

Роман Костров