Horario de cursos

Tutoriales de Python

• Tutoriales de Python
• Introducción a Python
• Introducción a Python
• Sintaxis de Python
• Comentarios en Python
• Variables en Python
• Tipos de datos en Python
• Números en Python
• Casting en Python
• Cadenas en Python
• Booleanos en Python
• Operadores en Python
• Listas en Python
• Tuplas en Python
• Conjuntos en Python
• Diccionarios en Python
• If Else en Python
• Bucle While en Python
• Bucle For en Python
• Funciones en Python
• Lambda en Python
• Arreglos en Python
• Clases/Objetos de Python
• Herencia en Python
• Iteración en Python
• Ámbito en Python
• Módulos en Python
• Fechas en Python
• JSON en Python
• RegEx en Python
• PIP en Python
• Try Except en Python
• Entrada de comandos de Python
• Formateo de cadenas en Python

Manejo de archivos

• Abrir archivo en Python
• Leer archivo en Python
• Escribir/Crear archivo de Python
• Eliminar archivo en Python

Python NumPy

• Introducción a NumPy
• Introducción a NumPy
• Creación de arrays en NumPy
• Índice de array en NumPy
• Corte de array en NumPy
• Tipos de datos en NumPy
• Copias/visualizaciones en NumPy
• Forma de array en NumPy
• Reestructuración de array en NumPy
• Iteración de array en NumPy
• Conexión de array en NumPy
• División de array en NumPy
• Búsqueda de array en NumPy
• Ordenación de array en NumPy
• Filtrado de array en NumPy
• Aleatorio en NumPy
• ufuncs en NumPy

Aprendizaje automático

• Introducción
• Modelo de mediana promedio
• Desviación estándar
• Percentil
• Distribución de datos
• Distribución de datos normales
• Gráfico de dispersión
• Regresión lineal
• Regresión polinómica
• Multiple Regression
• Escalado
• Training/Testing
• Árbol de decisión

Python MySQL

• Introducción a MySQL
• Crear base de datos MySQL
• Crear tabla MySQL
• Insertar MySQL
• Select de MySQL
• Where de MySQL
• Ordenar por MySQL
• Eliminar MySQL
• Eliminar tabla MySQL
• Actualizar MySQL
• Límite de MySQL
• Join de MySQL

Python MongoDB

• Introducción a MongoDB
• Crear base de datos MongoDB
• Crear colección MongoDB
• Insertar MongoDB
• Buscar MongoDB
• Consulta MongoDB
• Ordenar MongoDB
• Eliminar MongoDB
• Eliminar colección de MongoDB
• Actualizar MongoDB
• Límite de MongoDB

Python Reference Manual

• Visión general de referencia de Python
• Funciones integradas de Python
• Métodos de cadena de Python
• Métodos de lista de Python
• Métodos de diccionario de Python
• Métodos de tuplas de Python
• Métodos de conjuntos de Python
• Métodos de archivo de Python
• Palabras clave de Python

Manual de referencia de módulos

• Módulo aleatorio
• Módulo de solicitud

Python How To

• Eliminar elementos repetidos de la lista
• Invertir cadena

Python Example

• Python Example
• Python Quiz

Cursos optativos

Recomendaciones de cursos:

• CodeW3C.com Treasure Box

Escalado de características (Scale Features)

Cuando sus datos tienen diferentes valores, incluso cuando utilizan diferentes unidades de medida, puede ser difícil compararlos. ¿Cuántos kilogramos son en comparación con los metros? ¿O la altitud en comparación con el tiempo?

La respuesta a este problema es la escalado. Podemos escalar los datos a nuevos valores fáciles de comparar.

Consulte la tabla siguiente, que coincide conMultiple RegressionLos conjuntos de datos utilizados en el capítulo uno son los mismos, pero esta vez, la unidad contenida en la columna Volumen es litros, en lugar de ccm (1000 en lugar de 1.0).

Es difícil comparar el volumen 1.0 con el peso 790, pero si se los escala a valores comparables, se puede ver fácilmente cuánto más uno que el otro.

Hay muchos métodos de escalado de datos, en este tutorial, utilizaremos un método llamado estandarización (standardization).

El método de estandarización utiliza la siguiente fórmula:

z = (x - u) / s

Donde z es el nuevo valor, x es el valor original, u es el promedio y s es la desviación estándar.

Si se obtiene de la colección de datos superior weight Para una columna, el primer valor es 790, y el valor escalado es:

(790 - 1292.23) / 238.74 = -2.1

Si se obtiene de la colección de datos superior volume Para una columna, el primer valor es 1.0, y el valor escalado es:

(1.0 - 1.61) / 0.38 = -1.59

Ahora, puede comparar -2.1 con -1.59 en lugar de comparar 790 con 1.0.

No es necesario realizar esta operación manualmente, el módulo sklearn de Python tiene una función llamada StandardScaler() Este método devuelve un objeto Scaler con el método de conversión de conjunto de datos.

Example

Ajustar todos los valores de las columnas Weight y Volume:

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
scaledX = scale.fit_transform(X)
print(scaledX)

Results:

Por favor, note que los primeros dos valores son -2.1 y -1.59, lo que coincide con nuestros cálculos:

[[-2.10389253  -1.59336644]]
 [-0.55407235  -1.07190106]
 [-1.52166278  -1.59336644]
 [-1.78973979  -1.85409913]
 [-0.63784641  -0.28970299]
 [-1.52166278  -1.59336644]
 [-0.76769621  -0.55043568]
 [ 0.3046118   -0.28970299]
 [-0.7551301   -0.28970299]
 [-0.59595938  -0.0289703 ]
 [-1.30803892  -1.33263375]
 [-1.26615189  -0.81116837]
 [-0.7551301   -1.59336644]
 [-0.16871166  -0.0289703 ]
 [ 0.14125238  -0.0289703 ]
 [ 0.15800719  -0.0289703 ]
 [ 0.3046118   -0.0289703 ]
 [-0.05142797  1.53542584]
 [-0.72580918  -0.0289703 ]
 [ 0.14962979  1.01396046]
 [ 1.2219378   -0.0289703 ]
 [ 0.5685001   1.01396046]
 [ 0.3046118   1.27469315]
 [ 0.51404696  -0.0289703 ]
 [ 0.51404696  1.01396046]
 [ 0.72348212  -0.28970299]
 [ 0.8281997   1.01396046]
 [ 1.81254495  1.01396046]
 [ 0.96642691  -0.0289703 ]
 [ 1.72877089  1.01396046]
 [ 1.30990057  1.27469315]
 [ 1.90050772  1.01396046]
 [-0.23991961  -0.0289703 ]
 [ 0.40932938  -0.0289703 ]
 [ 0.47215993  -0.0289703 ]
 [ 0.4302729   2.31762392]

Run Instance

Predict CO2 value

Multiple RegressionThe task of this chapter is to predict the carbon dioxide emissions of a car knowing only its weight and displacement.

After scaling the dataset, the scaling factor must be used when predicting the values:

Example

Predict the carbon dioxide emissions of a 1.3-liter car weighing 2300 kilograms:

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
scaledX = scale.fit_transform(X)
regr = linear_model.LinearRegression()
regr.fit(scaledX, y)
scaled = scale.transform([[2300, 1.3]])
predictedCO2 = regr.predict([scaled[0]])
print(predictedCO2)

Results:

[107.2087328]

Run Instance

Toolbox

Python Reference Manual

Python Example

Python Quiz

Sponsor Links