Managing Datasets and Models , livre ebook

387

pages

English

Ebooks

2023

Écrit par
Campesato Oswald Campesato

Publié par
Mercury Learning and Information

Lire un extrait

Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus

Découvre YouScribe et accède à tout notre catalogue !

Je m'inscris

Découvre YouScribe et accède à tout notre catalogue !

Je m'inscris

387

pages

English

Ebooks

2023

Lire un extrait

Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus

Publié par

Mercury Learning and Information

Date de parution

27 février 2023

Nombre de lectures

EAN13

9781683929512

Langue

English

Poids de l'ouvrage

5 Mo

This book contains a fast-paced introduction to data-related tasks in preparation for training models ondatasets. It presents a step-by-step, Python-based code sample that uses the kNN algorithm to manage a model on a dataset. Chapter One begins with an introduction to datasets and issues that can arise, followed by Chapter Two on outliers and anomaly detection. The next chapter explores ways for handling missing data and invalid data, and Chapter Four demonstrates how to train models with classification algorithms. Chapter 5 introduces visualization toolkits, such as Sweetviz, Skimpy, Matplotlib, and Seaborn, along with some simple Python-based code samples that render charts and graphs. An appendix includes some basics on using awk. Companion files with code, datasets, and figures are available for downloading.FEATURES:Covers extensive topics related to cleaning datasets and working with modelsIncludes Python-based code samples and a separate chapter on Matplotlib and SeabornFeatures companion files with source code, datasets, and figures from the book

Voir

Publié par

Mercury Learning and Information

Date de parution

27 février 2023

EAN13

9781683929512

Langue

English

Poids de l'ouvrage

5 Mo

MANAGINGDATA SE T S AND MODEL S

LICENSE, DISCLAIMER OF LIABILITY, AND LIMITED WARRANTY

B pûçhàsî ô ûsî hîs bôôk à îs çôpàîô îlés (hé “Wôk”), ôû àéé hà hîs lîçésé às péîssîô ô ûsé hé çôés çôàîé hééî, bû ôés ô îvé ôû hé îh ô ôwéshîp ô à ô hé éxûàl çôé î hé bôôk ô ôw-éshîp ô à ô hé îôàîô, îlés, ô pôûçs çôàîé î î.Thîs lîcense does not permît uploadîng of theWork onto the Internet or on a network (of any kînd) wîthout the wrîtten consent of the Publîsher.Dûplîçàîô ô îsséîàîô ô à éx, çôé, sîûlàîôs, îàés, éç. çôàîé hééî îs lîîé ô à sûbjéç ô lîçésî és ô hé éspéçîvé pôûçs, à péîssîô ûs bé ôbàîé ô hé Pûblîshé ô hé ôwé ô hé çôé, éç., î ôé ô épôûçé ô éwôk à pôîô ô hé éxûàl àéîàl (î à éîà) hà îs çôàîé î hé Wôk.

Mercury LearnIng and ïnformatIon (“MLï” ô “hé Pûblîshé”) à àôé îvôlvé î hé çéàîô, wîî, pôûçîô, àççôpàî àlôîhs, çôé, ô çôpûé pôàs (“hé sôwàé”), à à àççôpàî Wéb sîé ô sôwàé ô hé Wôk, çàô à ô ô wàà hé péôàçé ô ésûls hà îh bé ôbàîé b ûsî hé çôés ô hé Wôk. Thé àûhô, évélôpés, à hé Pûb-lîshé hàvé ûsé héî bés éôs ô îsûé hé àççûàç à ûçîôàlî ô hé éxûàl àéîàl à/ô pôàs çôàîé î hîs pàçkàé; wé, hôwévé, àké ô wàà ô à kî, éxpéss ô îplîé, éàî hé péôàçé ô hésé çô-és ô pôàs. Thé Wôk îs sôl “às îs” wîhôû wàà (éxçép ô ééçîvé àéîàls ûsé î àûàçûî hé bôôk ô ûé ô àûl wôkàshîp). Thé àûhô, évélôpés, à hé pûblîshé ô à àççôpàî çôé, à àôé îvôlvé î hé çôpôsîîô, pôûçîô, à àûàçûî ô hîs wôk wîll ô bé lîàblé ô ààés ô à kî àîsî ôû ô hé ûsé ô (ô hé îàbîlî ô ûsé) hé àlôîhs, sôûçé çôé, çôpûé pôàs, ô éxûàl àéîàl çôàîé î hîs pûblîçàîô. Thîs îçlûés, bû îs ô lîîé ô, lôss ô évéûé ô pôî, ô ôhé îçîéàl, phsîçàl, ô çôséqûéîàl ààés àîsî ôû ô hé ûsé ô hîs Wôk. Thé sôlé éé î hé évé ô à çlàî ô à kî îs éxpéssl lîîé ô éplàçé-é ô hé bôôk à ôl à hé îsçéîô ô hé Pûblîshé. Thé ûsé ô “îplîé wàà” à çéàî “éxçlûsîôs” và ô sàé ô sàé, à îh ô àppl ô hé pûçhàsé ô hîs pôûç. Companîon fîles also avaîlable for downloadîng from the publîsher by wrîtîng to înfo@merclearnîng.com.

MANAGINGDATA SE T S AND MODEL S

Oswald Campesato

MERCURYLEARNINGANDINFORMATION Dulles,Virginia Boston, Massachusetts New Delhi

Thîs publîcatîon, portîons of ît, or any accompanyîng software may not be reproduced în any way, stored în a retrîeval system of any type, or transmîtted by any means, medîa, electronîc dîsplay or mechanîcal dîsplay, încludîng, but not lîmîted to, photocopy, recordîng, Internet postîngs, or scannîng, wîthout prîor permîssîon în wrîtîng from the publîsher.

Pûblîshé: Dàvî Pàllàî Mercury LearnIng and ïnformatIon 22841 Qûîçksîlvé Dîvé Dûllés, VA 20166 îô@éçléàî.çô www.éçléàî.çô 1-800-232-0223

O. Càpésàô.Managîng Datasets and Models. ïSBN: 9781683929529

Thé pûblîshé éçôîzés à éspéçs àll àks ûsé b çôpàîés, àûàçûés, à évélôpés às à éàs ô îsîûîsh héî pôûçs. All bà àés à pôûç àés éîôé î hîs bôôk àé àéàks ô sévîçé àks ô héî éspéçîvé çôpàîés. A ôîssîô ô îsûsé (ô à kî) ô sévîçé àks ô àéàks, éç. îs ô à àép ô îîé ô hé pôpé ô ôhés.

Lîbà ô Côéss Côôl Nûbé: 2022952302

232425321

Pîé ô àçî-éé pàpé î hé Uîé Sàés ô Aéîçà.

Oû îlés àé àvàîlàblé ô àôpîô, lîçésé, ô bûlk pûçhàsé b îsîûîôs, çôpôàîôs, éç. Fô àîîôàl îôàîô, pléàsé çôàç hé Cûsôé Sévîçé Dép. à 800-232-0223(ôll éé).

All ô ôû îlés àé àlsô àvàîlàblé î îîàl ôà à ûéôûs îîàl véôs.Companîon iles are avaîlable for download by wrîtîng to the publîsher at înfo@merclearnîng.com. Thé sôlé ôblîàîô ô Mercury LearnIng and ïnformatIon ô hé pûçhàsé îs ô éplàçé hé bôôk, bàsé ô ééçîvé àéîàls ô àûl wôkàshîp, bû ô bàsé ô hé ôpéàîô ô ûçîôàlî ô hé pôûç.

I’d lîke to dedîcate thîs book to my parents – may thîs brîng joy and happîness înto theîr lîves.

CONTENTS

Preface

Chapter 1:

Chapter 2:

Working with Data

ïpô Sàéés ô hîs Chàpé

Explôàô Dàà Aàlsîs (EDA)

Déàlî wîh Dàà: Whà Cà Gô Wô?

Aàlzî Mîssî Dàà

Explààîô ô Dàà Tpés

Dàà Pépôçéssî

Wôkî wîh Dàà Tpés

Whà îs Dî?

Whà îs Dàà Léàkàé? Môél Séléçîô à Pépàî Dààsés Tpés ô Dépééçîés Aô Féàûés Dàà Cléàî à ïpûàîô Sûà

Outlier and Anomaly Detection

ïpô Sàéés ô hîs Chàpé

Wôkî wîh Oûlîés

Fîî Oûlîés wîh NûP

Fîî Oûlîés wîh Pààs

xîîî

1 2 3 6 8 10 15 16 17 18 19 23 27 43

45 45 46 49 54

viii•CONTENTS

Chapter 3:

Chapter 4:

Fîî Oûlîés wîh Sçîkî-Léà (Opîôàl)

Fàû Dééçîô Téçhîqûés ô Aôàl Dééçîô Wôkî wîh ïbàlàçé Dààsés Sûà Réééçé

Cleaning Datasets

Pééqûîsîés ô hîs Chàpé

Aàlzî Mîssî Dàà

Pààs, CSV Fîlés, à Mîssî Dàà

Mîssî Dàà à ïpûàîô

Skéwé Dààsés

CSV Fîlés wîh Mûlî-Rôw Réçôs

Côlû Sûbsé à Rôw Sûbàé ô Tîàîç CSV Fîlé

Dàà Nôàlîzàîô

Hàlî Càéôîçàl Dàà

Wôkî wîh Cûéç

Wôkî wîh Dàés Wôkî wîh Qûôé Fîéls Whà îs SMOTE? Dàà Wàlî Sûà

Working with Models

ïpô Sàéés ô hîs Chàpé

Téçhîqûés ô Sçàlî Dàà

Exàplés ô Splîî à Sçàlî Dàà

Thé Côûsîô Màîx

Thé ROC Cûvé à AUC Cûvé

Explôî hé Tîàîç Dààsé

Séps ô Tàîî Clàssîiés

Dîàà ô Pàîîôé Dààsés

61 63 65 70 76 76

77 77 78 80 91 108 111 116 117 120 125 135 145 149 150 152

153 153 154 155 163 176 181 189 190

Chapter 5:

A KNN-Bàsé Môél wîh hé wîé.çsv Dààsé

Ohé Môéls wîh hé wîé.çsv Dààsé

A KNN-Bàsé Môél wîh hé bî.çsv Dààsé

CONTENTS•ix

A KNN-Bàsé Môél wîh hé Dîàbéés.çsv Dààsé

SMOTE à hé Tîàîç Dààsé

EDA à Dàà Vîsûàlîzàîô

Whà àbôû Rééssîô à Clûséî?

Féàûé ïpôàçé

Whà îs Féàûé Eîééî? Whà îs Féàûé Séléçîô? Whà îs Féàûé Exàçîô? Dàà Cléàî à Màçhîé Léàî Sûà

Matplotlib and Seaborn

ïpô Sàéés ô hîs Chàpé

Whà îs Dàà Vîsûàlîzàîô?

Whà îs Màplôlîb?

Màplôlîb Slés

Dîsplà Aîbûé Vàlûés

Côlô Vàlûés î Màplôlîb

Cûbé Nûbés î Màplôlîb

Hôîzôàl Lîés î Màplôlîb

Slàé Lîés î Màplôlîb

Pààllél Slàé Lîés î Màplôlîb

Lîés à Làbélé Véîçés î Màplôlîb

A Dôé Gî î Màplôlîb

Lîés î à Gî î Màplôlîb

Twô Lîés à à Léé î Màplôlîb

Lôàî ïàés î Màplôlîb

A Chéçkébôà î Màplôlîb

Ràôîzé Dàà Pôîs î Màplôlîb

192 195 197 198 200 205 209 209 212 213 218 219 222

223 224 225 226 227 228 230 231 233 234 235 237 238 240 242 243 244 246

Voir