Jadwal Kursus

Panduan Python

• Panduan Python
• Pengenalan Python
• Pemula Python
• Syntax Python
• Komentar Python
• Variabel Python
• Tipe Data Python
• Angka Python
• Casting Python
• String Python
• Boolean Python
• Operator Python
• Daftar Python
• Tupel Python
• Koleksi Python
• Dikti Python
• If Else Python
• Perulangan While Python
• Perulangan For Python
• Fungsi Python
• Lambda Python
• Array Python
• Kelas/Objek Python
• Penerapan Python
• Iterasi Python
• Lingkungan Variabel Python
• Modul Python
• Tanggal Python
• JSON Python
• RegEx Python
• PIP Python
• Try Except Python
• Input Perintah Python
• Pemformatan String Python

Pemrosesan Berkas

• Buka Berkas Python
• Baca Berkas Python
• Penulisan/ Pembuatan Berkas Python
• Hapus Berkas Python

Python NumPy

• Pengenalan NumPy
• Pemula NumPy
• Membuat Array NumPy
• Indeks Array NumPy
• Potong Array NumPy
• Tipe Data NumPy
• Salinan/View Array NumPy
• Bentuk Array NumPy
• Reshape Array NumPy
• Iterasi Array NumPy
• Gabungan Array NumPy
• Pemecahan Array NumPy
• Pencarian Array NumPy
• Pengurutan Array NumPy
• Pemfilteran Array NumPy
• Acak NumPy
• ufuncs NumPy

Pemeliharaan Mesin

• Masuk
• Mode Median Rata-rata
• Standar Deviasi
• Persentil
• Distribusi Data
• Distribusi Data Normal
• Garis Bintang
• Regresi Linear
• Regresi Polinomial
• Regresi Multinomial
• Skala
• Pelatihan/Pengujian
• Pohon Keputusan

Python MySQL

• Masuk MySQL
• Buat Database MySQL
• Buat Table MySQL
• Insert MySQL
• Select MySQL
• Where MySQL
• Urutkan MySQL
• Delete MySQL
• Drop Table MySQL
• Update MySQL
• Limit MySQL
• Join MySQL

Python MongoDB

• Masuk MongoDB
• Buat Database MongoDB
• Buat Collection MongoDB
• Insert MongoDB
• Find MongoDB
• Query MongoDB
• Urutkan MongoDB
• Delete MongoDB
• Hapus Collection MongoDB
• Update MongoDB
• Limit MongoDB

Panduan Referensi Python

• Ringkasan Referensi Python
• Fungsi Bawaan Python
• Metode String Python
• Metode Daftar Python
• Metode Dictionary Python
• Metode Tuple Python
• Metode Koleksi Python
• Metode File Python
• Kata Kunci Python

Panduan Referensi Modul

• Modul Acak
• Modul Permintaan

Cara Kerja Python

• Hapus Item Ganda Daftar
• Balikkan String

Contoh Python

• Contoh Python
• Ujian Python

Kursus Pilihan

Rekomendasi Kursus:

• Kotak Penuh CodeW3C.com

Skala Fitur (Scale Features)

Ketika data Anda memiliki nilai yang berbeda, bahkan menggunakan satuan ukur yang berbeda, mungkin sulit untuk dibandingkan. Berapa kilogram dibandingkan meter? Atau ketinggian dibandingkan waktu?

Jawaban atas masalah ini adalah skala. Kita dapat menskalakan data menjadi nilai baru yang mudah dibandingkan.

Lihat tabel di bawah ini, yang disertai denganRegresi MultinomialData yang digunakan di bab ini sama, tetapi kali ini, kolom Volume berisi satuan liter, bukannya ccm (1,0 bukannya 1000).

Sulit untuk membandingkan kapasitas 1.0 dengan berat 790, tetapi jika kita skala keduanya menjadi nilai yang dapat dibandingkan, kita dapat dengan mudah melihat berapa nilai yang satu sama lain dibandingkan.

Ada banyak metode skala data, dalam tutorial ini, kita akan menggunakan metode yang disebut standarisasi (standardization).

Metode standarisasi menggunakan formula berikut:

z = (x - u) / s

di mana z adalah nilai baru, x adalah nilai asli, u adalah rata-rata, dan s adalah standar deviasi.

Jika mendapatkan data dari dataset di atas weight kolom, nilai pertama adalah 790, nilai yang diskalakan adalah:

(790 - 1292.23) / 238.74 = -2.1

Jika mendapatkan data dari dataset di atas volume kolom, nilai pertama adalah 1.0, nilai yang diskalakan adalah:

(1.0 - 1.61) / 0.38 = -1.59

Sekarang, Anda dapat membandingkan -2.1 dengan -1.59, bukannya membandingkan 790 dengan 1.0.

Anda tidak perlu melakukannya secara manual, modul Python sklearn memiliki nama StandardScaler() metoden, metode ini mengembalikan objek Scaler dengan metode dataset yang diubah.

Contoh

Skala semua nilai di kolom Weight dan Volume:

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

Hasil:

Perhatian, nilai pertama dan kedua adalah -2.1 dan -1.59, yang sejalan dengan perhitungan kami:

[[-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]

Jalankan Instan

Prediksi nilai CO2

Regresi MultinomialTugas bab ini adalah untuk memprediksi emisi karbon dioksida dengan hanya mengetahui berat dan volume mobil.

Setelah dataset diskalakan, harus digunakan skala skala saat menghitung nilai prediksi:

Contoh

Prediksi emisi karbon dioksida untuk mobil berat 2300 kilogram dan 1.3 liter:

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

Hasil:

[107.2087328]

Jalankan Instan

Kotak Alat

Panduan Referensi Python

Contoh Python

Ujian Python

Tautan Pemroses