एमएल - सांख्यिकी के साथ डेटा को समझना

परिचय

मशीन लर्निंग प्रोजेक्ट्स के साथ काम करते समय, आमतौर पर हम दो सबसे महत्वपूर्ण भागों की अनदेखी करते हैं mathematics तथा data। ऐसा इसलिए है, क्योंकि हम जानते हैं कि एमएल एक डेटा संचालित दृष्टिकोण है और हमारा एमएल मॉडल केवल अच्छे या बुरे परिणामों के रूप में उत्पन्न करेगा जो हमने इसे प्रदान किया था।

पिछले अध्याय में, हमने चर्चा की कि हम अपने ML प्रोजेक्ट में CSV डेटा कैसे अपलोड कर सकते हैं, लेकिन इसे अपलोड करने से पहले डेटा को समझना अच्छा होगा। हम आंकड़ों के साथ और दृश्य के साथ डेटा को दो तरीकों से समझ सकते हैं।

इस अध्याय में, पायथन व्यंजनों का पालन करने की मदद से, हम आंकड़ों के साथ एमएल डेटा को समझने जा रहे हैं।

रॉ डेटा को देखते हुए

बहुत ही पहला नुस्खा आपके कच्चे डेटा को देखने के लिए है। कच्चे डेटा को देखना महत्वपूर्ण है क्योंकि कच्चे डेटा को देखने के बाद हमें जो अंतर्दृष्टि प्राप्त होगी, वह बेहतर पूर्व-प्रसंस्करण के साथ-साथ एमएल परियोजनाओं के लिए डेटा को संभालने के हमारे अवसरों को बढ़ावा देगी।

पाइमा इंडियन्स डायबिटीज डेटासेट पर पंडों डेटाफ्रेम के प्रमुख () फ़ंक्शन का उपयोग करके लागू की गई पायथन लिपि निम्नलिखित है, इसकी बेहतर समझ प्राप्त करने के लिए पहले 50 पंक्तियों को देखें -

उदाहरण

from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
headernames = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=headernames)
print(data.head(50))

उत्पादन

preg   plas  pres    skin  test  mass   pedi    age      class
0      6      148     72     35   0     33.6    0.627    50    1
1      1       85     66     29   0     26.6    0.351    31    0
2      8      183     64      0   0     23.3    0.672    32    1
3      1       89     66     23  94     28.1    0.167    21    0
4      0      137     40     35  168    43.1    2.288    33    1
5      5      116     74      0   0     25.6    0.201    30    0
6      3       78     50     32   88    31.0    0.248    26    1
7     10      115      0      0   0     35.3    0.134    29    0
8      2      197     70     45  543    30.5    0.158    53    1
9      8      125     96      0   0     0.0     0.232    54    1
10     4      110     92      0   0     37.6    0.191    30    0
11    10      168     74      0   0     38.0    0.537    34    1
12    10      139     80      0   0     27.1    1.441    57    0
13     1      189     60     23  846    30.1    0.398    59    1
14     5      166     72     19  175    25.8    0.587    51    1
15     7      100      0      0   0     30.0    0.484    32    1
16     0      118     84     47  230    45.8    0.551    31    1
17     7      107     74      0   0     29.6    0.254    31    1
18     1      103     30     38  83     43.3    0.183    33    0
19     1      115     70     30  96     34.6    0.529    32    1
20     3      126     88     41  235    39.3    0.704    27    0
21     8       99     84      0   0     35.4    0.388    50    0
22     7      196     90      0   0     39.8    0.451    41    1
23     9      119     80     35   0     29.0    0.263    29    1
24    11      143     94     33  146    36.6    0.254    51    1
25    10      125     70     26  115    31.1    0.205    41    1
26     7      147     76      0   0     39.4    0.257    43    1
27     1       97     66     15  140    23.2    0.487    22    0
28    13      145     82     19  110    22.2    0.245    57    0
29     5      117     92      0   0     34.1    0.337    38    0
30     5      109     75     26   0     36.0    0.546    60    0
31     3      158     76     36  245    31.6    0.851    28    1
32     3       88     58     11   54    24.8    0.267    22    0
33     6       92     92      0   0     19.9    0.188    28    0
34    10      122     78     31   0     27.6    0.512    45    0
35     4      103     60     33  192    24.0    0.966    33    0
36    11      138     76      0   0     33.2    0.420    35    0
37     9      102     76     37   0     32.9    0.665    46    1
38     2       90     68     42   0     38.2    0.503    27    1
39     4      111     72     47  207    37.1    1.390    56    1
40     3      180     64     25   70    34.0    0.271    26    0
41     7      133     84      0   0     40.2    0.696    37    0
42     7      106     92     18   0     22.7    0.235    48    0
43     9      171    110     24  240    45.4    0.721    54    1
44     7      159     64      0   0     27.4    0.294    40    0
45     0      180     66     39   0     42.0    1.893    25    1
46     1      146     56      0   0     29.7    0.564    29    0
47     2       71     70     27   0     28.0    0.586    22    0
48     7      103     66     32   0     39.1    0.344    31    1
49     7      105      0      0   0     0.0     0.305    24    0

हम उपरोक्त आउटपुट से देख सकते हैं कि पहला कॉलम पंक्ति संख्या देता है जो एक विशिष्ट अवलोकन को संदर्भित करने के लिए बहुत उपयोगी हो सकता है।

डेटा के आयामों की जाँच करना

यह जानने के लिए हमेशा एक अच्छा अभ्यास है कि पंक्तियों और स्तंभों के संदर्भ में कितना डेटा है, हम अपने एमएल प्रोजेक्ट के लिए हैं। इसके पीछे कारण हैं -

  • मान लीजिए अगर हमारे पास बहुत अधिक पंक्तियाँ और स्तंभ हैं तो एल्गोरिथम को चलाने और मॉडल को प्रशिक्षित करने में लंबा समय लगेगा।

  • मान लीजिए अगर हमारे पास बहुत कम पंक्तियाँ और स्तंभ हैं तो हमारे पास मॉडल को अच्छी तरह से प्रशिक्षित करने के लिए पर्याप्त डेटा नहीं होगा।

पंडों के डेटा फ़्रेम पर आकृति की संपत्ति को प्रिंट करके एक पायथन स्क्रिप्ट लागू की गई है। हम इसे कुल पंक्तियों और स्तंभों की संख्या प्राप्त करने के लिए आईरिस डेटा सेट पर लागू करने जा रहे हैं।

उदाहरण

from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.shape)

उत्पादन

(150, 4)

हम उस आउटपुट से आसानी से निरीक्षण कर सकते हैं जो आईरिस डेटा सेट, हम उपयोग करने जा रहे हैं, जिसमें 150 पंक्तियाँ और 4 कॉलम हैं।

प्रत्येक गुण का डेटा प्रकार प्राप्त करना

प्रत्येक विशेषता के डेटा प्रकार को जानना एक और अच्छा अभ्यास है। इसके पीछे का कारण है, आवश्यकता के अनुसार, कभी-कभी हमें एक डेटा प्रकार को दूसरे में बदलने की आवश्यकता हो सकती है। उदाहरण के लिए, हमें स्ट्रिंग को फ्लोटिंग पॉइंट में बदलने की आवश्यकता हो सकती है या श्रेणीबद्ध या क्रमिक मूल्यों का प्रतिनिधित्व करने के लिए int। हम कच्चे डेटा को देखकर विशेषता के डेटा प्रकार के बारे में विचार कर सकते हैं, लेकिन दूसरा तरीका पंडों डेटाफ्रेम की dtypes संपत्ति का उपयोग करना है। Dtypes प्रॉपर्टी की मदद से हम प्रत्येक विशेषता डेटा प्रकार को श्रेणीबद्ध कर सकते हैं। इसे पायथन लिपि की मदद से समझा जा सकता है -

उदाहरण

from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.dtypes)

उत्पादन

sepal_length  float64
sepal_width   float64
petal_length  float64
petal_width   float64
dtype: object

उपरोक्त आउटपुट से, हम आसानी से प्रत्येक विशेषता के डेटाटिप्स प्राप्त कर सकते हैं।

डेटा का सांख्यिकीय सारांश

हमने आकार के लिए पंक्तियों और स्तंभों की संख्या, डेटा की संख्या प्राप्त करने के लिए पायथन रेसिपी पर चर्चा की है, लेकिन कई बार हमें डेटा के उस आकार के सारांश की समीक्षा करने की आवश्यकता होती है। यह पंडों डेटाफ्रेम के वर्णन () फ़ंक्शन की सहायता से किया जा सकता है जो प्रत्येक और प्रत्येक डेटा विशेषता के निम्नलिखित 8 सांख्यिकीय गुण प्रदान करते हैं -

  • Count
  • Mean
  • मानक विचलन
  • न्यूनतम मूल्य
  • अधिकतम मूल्य
  • 25%
  • मेडियन यानी 50%
  • 75%

उदाहरण

from pandas import read_csv
from pandas import set_option
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
set_option('display.width', 100)
set_option('precision', 2)
print(data.shape)
print(data.describe())

उत्पादन

(768, 9)
         preg      plas       pres      skin      test        mass       pedi      age      class
count 768.00      768.00    768.00     768.00    768.00     768.00     768.00    768.00    768.00
mean    3.85      120.89     69.11      20.54     79.80      31.99       0.47     33.24      0.35
std     3.37       31.97     19.36      15.95    115.24       7.88       0.33     11.76      0.48
min     0.00        0.00      0.00       0.00      0.00       0.00       0.08     21.00      0.00
25%     1.00       99.00     62.00       0.00      0.00      27.30       0.24     24.00      0.00
50%     3.00      117.00     72.00      23.00     30.50      32.00       0.37     29.00      0.00
75%     6.00      140.25     80.00      32.00    127.25      36.60       0.63     41.00      1.00
max    17.00      199.00    122.00      99.00    846.00      67.10       2.42     81.00      1.00

उपरोक्त आउटपुट से, हम डेटा के आकार के साथ-साथ पीमा भारतीय मधुमेह डेटासेट के डेटा का सांख्यिकीय सारांश देख सकते हैं।

कक्षा वितरण की समीक्षा करना

श्रेणी वितरण की समस्याएँ वर्गीकरण की समस्याओं में उपयोगी होती हैं जहाँ हमें वर्ग मूल्यों के संतुलन को जानना आवश्यक होता है। क्लास वैल्यू डिस्ट्रीब्यूशन जानना महत्वपूर्ण है क्योंकि अगर हमारे पास अत्यधिक असंतुलित क्लास डिस्ट्रीब्यूशन है यानी एक क्लास में अन्य क्लास की तुलना में बहुत अधिक ऑब्जर्वेशन है, तो उसे हमारे एमएल प्रोजेक्ट के डेटा तैयारी चरण में विशेष हैंडलिंग की आवश्यकता हो सकती है। हम पंडों DataFrame की मदद से अजगर में वर्ग वितरण आसानी से प्राप्त कर सकते हैं।

उदाहरण

from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
count_class = data.groupby('class').size()
print(count_class)

उत्पादन

Class
0  500
1  268
dtype: int64

उपरोक्त आउटपुट से, यह स्पष्ट रूप से देखा जा सकता है कि कक्षा 1 के साथ टिप्पणियों की संख्या कक्षा 1 के साथ टिप्पणियों की संख्या लगभग दोगुनी है।

विशेषताएँ के बीच सहसंबंध की समीक्षा

दो चर के बीच संबंध को सहसंबंध कहा जाता है। आंकड़ों में, सहसंबंध की गणना के लिए सबसे आम तरीका पियर्सन के सहसंबंध गुणांक है। इसके तीन मान हो सकते हैं -

  • Coefficient value = 1 - यह पूर्ण प्रतिनिधित्व करता है positive चर के बीच सहसंबंध।

  • Coefficient value = -1 - यह पूर्ण प्रतिनिधित्व करता है negative चर के बीच सहसंबंध।

  • Coefficient value = 0 - यह प्रतिनिधित्व किया no चर सभी के बीच संबंध।

एमएल प्रोजेक्ट में उपयोग करने से पहले हमारे डेटासेट में मौजूद विशेषताओं के युग्मक सहसंबंधों की समीक्षा करना हमारे लिए हमेशा अच्छा होता है क्योंकि कुछ मशीन लर्निंग एल्गोरिदम जैसे लीनियर रिग्रेशन और लॉजिस्टिक रिग्रेशन हमारे खराब सहसंबद्ध गुण होने पर खराब प्रदर्शन करेंगे। पायथन में, हम आसानी से पांडस डेटाफ़्रेम पर कार्य () फ़ंक्शन की मदद से डेटासेट विशेषताओं के सहसंबंध मैट्रिक्स की गणना कर सकते हैं।

उदाहरण

from pandas import read_csv
from pandas import set_option
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
set_option('display.width', 100)
set_option('precision', 2)
correlations = data.corr(method='pearson')
print(correlations)

उत्पादन

preg     plas     pres     skin     test      mass     pedi       age      class
preg     1.00     0.13     0.14     -0.08     -0.07   0.02     -0.03       0.54   0.22
plas     0.13     1.00     0.15     0.06       0.33   0.22      0.14       0.26   0.47
pres     0.14     0.15     1.00     0.21       0.09   0.28      0.04       0.24   0.07
skin    -0.08     0.06     0.21     1.00       0.44   0.39      0.18      -0.11   0.07
test    -0.07     0.33     0.09     0.44       1.00   0.20      0.19      -0.04   0.13
mass     0.02     0.22     0.28     0.39       0.20   1.00      0.14       0.04   0.29
pedi    -0.03     0.14     0.04     0.18       0.19   0.14      1.00       0.03   0.17
age      0.54     0.26     0.24     -0.11     -0.04   0.04      0.03       1.00   0.24
class    0.22     0.47     0.07     0.07       0.13   0.29      0.17       0.24   1.00

उपरोक्त आउटपुट में मैट्रिक्स, डेटासेट में विशेषता के सभी जोड़े के बीच सहसंबंध देता है।

वितरण वितरण की समीक्षा करना

स्केवनेस को उस वितरण के रूप में परिभाषित किया जा सकता है जिसे गॉसियन माना जाता है लेकिन विकृत या एक दिशा या किसी अन्य में स्थानांतरित हो जाता है, या तो बाईं या दाईं ओर दिखाई देता है। निम्नलिखित कारणों से विशेषताओं के तिरछेपन की समीक्षा करना महत्वपूर्ण कार्य है -

  • डेटा में तिरछापन की उपस्थिति के लिए डेटा तैयारी चरण में सुधार की आवश्यकता होती है ताकि हम अपने मॉडल से अधिक सटीकता प्राप्त कर सकें।

  • अधिकांश एमएल एल्गोरिदम मानते हैं कि डेटा में गॉसियन वितरण होता है या तो घंटी घुमावदार डेटा के सामान्य।

पाइथन में, हम पांडस डेटाफ़्रेम पर तिरछा () फ़ंक्शन का उपयोग करके आसानी से प्रत्येक विशेषता के तिरछा की गणना कर सकते हैं।

उदाहरण

from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
print(data.skew())

उत्पादन

preg   0.90
plas   0.17
pres  -1.84
skin   0.11
test   2.27
mass  -0.43
pedi   1.92
age    1.13
class  0.64
dtype: float64

उपरोक्त आउटपुट से, सकारात्मक या नकारात्मक तिरछा मनाया जा सकता है। यदि मान शून्य के करीब है, तो यह कम तिरछा दिखाता है।