Ի՞նչ է ICAReducer-ը:
ICAReducer-ն աշխատում է հետևյալ կերպ. այն նվազեցնում է նրանց միջև բարձր փոխկապակցված հատկանիշները մինչև մեկ սյունակ: Բավականին նման է PCAreducer-ին, չնայած այն օգտագործում է Fast ICA ալգորիթմը, որը խառը ազդանշանը բաժանում է հավելյալ ենթաբաղադրիչների:
Ավելին, մենք կօգտագործենք ICAReducer-ը՝ դասակարգման կամ ռեգրեսիայի տվյալների բազան պարզեցնելու համար, որպեսզի ավելի լավ համապատասխանի մեր կանխատեսող մոդելին:
Օգտագործելով Kydavra ICAReducer-ը:
Եկեք նախ տեղադրենք kydavra-ն՝ մուտքագրելով հետևյալ տողը. (Համոզվեք, որ ունեք 0.3 տարբերակը):
pip install kydavra
Այժմ ներմուծեք զտիչը.
from kydavra import ICAFilter
Խնդրում ենք հաշվի առնել, որICAReducer-ն ունի հետևյալ պարամետրերը.
- min_corr(float, 0-ի և 1-ի միջև, լռելյայն=0.5) կրճատման համար ընտրվող հարաբերակցության գործակցի նվազագույն արժեքը:
- max_corr(float, 0-ի և 1-ի միջև, լռելյայն=0.8) կրճատման համար ընտրվող հարաբերակցության գործակցի առավելագույն արժեքը:
- correlation_type(str, default='pearson')
Հաջորդը, եկեք ստեղծենք օբյեկտ, որը կիրառելու է Hearth Disease UCI տվյալների բազայում:
import pandas as pd df = pd.read_csv('heart.csv') icar = ICAReducer(min_corr=0.4, max_corr=0.7) new_df = icar.reduce(df, 'target') X = new_df.drop(columns=['target']) y = new_df['target'] print(f'{accuracy_score(y_test, logit.predict(X_test))}')
Ստորև կարող եք տեսնել accuracy_score-ը ICReducer-ը կիրառելուց առաջ և հետո.
0.8157894736842105 0.8421052631578947
Նաև խորհուրդ ենք տալիս փորձել kydavra-ի այլ կրճատիչներ՝ ավելի բարձր ճշգրտություն ունենալու համար:
Պատրաստված է ❤-ով Sigmoid-ի կողմից:
Հետևեք մեզ Facebook-ում, Instagram-ում և LinkedIn-ում.
https://www.facebook.com/sigmoidAI