Tableau de cours

Tutoriels Python

• Tutoriels Python
• Introduction à Python
• Introduction à Python
• Syntaxe Python
• Commentaires Python
• Variables Python
• Types de Données Python
• Numérique Python
• Casting Python
• Chaînes de Caractères Python
• Booleen Python
• Opérateurs Python
• Listes Python
• Tuples Python
• Ensembles Python
• Dictionnaires Python
• If Else Python
• Boucle While Python
• Boucle For Python
• Fonctions Python
• Lambda Python
• Tableaux Python
• Classe/Objet Python
• Héritage Python
• Iteration Python
• Portée Python
• Modules Python
• Dates Python
• JSON Python
• RegEx Python
• PIP Python
• Try Except Python
• Entrée de commande Python
• Formatage de Chaînes de Caractères Python

Traitement de fichier

• Ouvrir Fichier Python
• Lire Fichier Python
• Écriture/Creation de fichier Python
• Supprimer Fichier Python

Python NumPy

• Introduction à NumPy
• Introduction à NumPy
• Création d'Array NumPy
• Indexation Array NumPy
• Coupe Array NumPy
• Types de Données NumPy
• Copie/Vue Array NumPy
• Forme Array NumPy
• Redimensionnement Array NumPy
• Iteration Array NumPy
• Concaténation Array NumPy
• Division Array NumPy
• Recherche Array NumPy
• Tri Array NumPy
• Filtrage Array NumPy
• Aléatoire NumPy
• ufuncs NumPy

Apprentissage automatique

• Introduction
• Modèle médiane moyenne
• Écart type
• Pourcentage
• Distribution des données
• Distribution de données normales
• Graphique de nuage de points
• Régression linéaire
• Régression polynomiale
• Régression multiple
• Réglage
• Entraînement/test
• Arbre de décision

Python MySQL

• MySQL Introduction
• MySQL Créer Base de données
• MySQL Créer Table
• MySQL Insérer
• MySQL Sélectionner
• MySQL Où
• MySQL Trier Par
• MySQL Delete
• MySQL Drop Table
• MySQL Update
• MySQL Limit
• MySQL Join

Python MongoDB

• MongoDB Introduction
• MongoDB Créer la base de données
• MongoDB Créer la collection
• MongoDB Insérer
• MongoDB Trouver
• MongoDB Requête
• MongoDB Trier
• MongoDB Delete
• MongoDB Supprimer la collection
• MongoDB Update
• MongoDB Limit

Manuel de référence Python

• Aperçu de la référence Python
• Fonctions intégrées Python
• Méthodes de chaînes Python
• Méthodes de listes Python
• Méthodes de dictionnaires Python
• Méthodes de tuples Python
• Méthodes de collections Python
• Méthodes de fichiers Python
• Mots-clés Python

Manuel de référence des modules

• Module aléatoire
• Module de requête

Python How To

• Supprimer les éléments répétés de la liste
• Inverser une chaîne

Exemple en Python

• Exemple en Python
• Épreuve en Python

Cours optionnels

Recommandation de cours :

• La boîte à outils de CodeW3C.com

Ajustement des caractéristiques (Scale Features)

Il peut être difficile de comparer vos données lorsque vos valeurs sont différentes, même si elles utilisent des unités de mesure différentes. Combien est le kilogramme par rapport au mètre ? Ou l'altitude par rapport au temps ?

La réponse à cette question est le réglage. Nous pouvons régler les données pour obtenir de nouvelles valeurs faciles à comparer.

Veuillez consulter le tableau suivant, qui est enRégression multipleLes ensembles de données utilisés dans ce chapitre sont identiques, mais cette fois, la colonne Volume contient des unités de litre au lieu de ccm (1.0 au lieu de 1000).

Il est difficile de comparer le volume 1,0 avec le poids 790, mais si nous les dilatons tous pour des valeurs comparables, nous pouvons facilement voir combien une valeur est comparable à une autre.

Il y a plusieurs méthodes d'échelle de données, dans ce tutoriel, nous utiliserons une méthode appelée normalisation (standardization).

La méthode de normalisation utilise la formule suivante :

z = (x - u) / s

Où z est la nouvelle valeur, x est la valeur originale, u est la moyenne, et s est l'écart type.

Si vous obtenez des données à partir des données ci-dessus weight Colonne, la première valeur est 790, et la valeur après l'échelle est :

(790 - 1292,23) / 238,74 = -2,1

Si vous obtenez des données à partir des données ci-dessus volume Colonne, la première valeur est 1,0, et la valeur après l'échelle est :

(1,0 - 1,61) / 0,38 = -1,59

Maintenant, vous pouvez comparer -2,1 avec -1,59, au lieu de comparer 790 avec 1,0.

Vous n'avez pas besoin d'exécuter cette opération manuellement, le module sklearn de Python contient un nom appelé StandardScaler() La méthode, qui retourne un objet Scaler avec la méthode de conversion de jeu de données.

Exemple

Ajuster toutes les valeurs des colonnes Weight et Volume :

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

Résultat :

Veuillez noter que les deux premières valeurs sont -2,1 et -1,59, ce qui correspond à nos calculs :

[[-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]

Exécuter l'exemple

Prédire la valeur CO2

Régression multipleLa tâche de ce chapitre consiste à prédire les émissions de CO2 d'une voiture en fonction de son poids et de sa capacité, sans connaître d'autres informations.

Après l'ajustement des données, l'échelle de réduction doit être utilisée lors de la prédiction des valeurs :

Exemple

Prédire la quantité de CO2 émise par une voiture de 1.3 litres pesant 2300 kg :

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Poids', '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)

Résultat :

[107.2087328]

Exécuter l'exemple

Boîte à outils

Manuel de référence Python

Exemple en Python

Épreuve en Python

Liens de sponsors