ML - Hiểu dữ liệu với thống kê
Giới thiệu
Trong khi làm việc với các dự án máy học, chúng tôi thường bỏ qua hai phần quan trọng nhất được gọi là mathematics và data. Đó là bởi vì, chúng tôi biết rằng ML là một cách tiếp cận theo hướng dữ liệu và mô hình ML của chúng tôi sẽ chỉ tạo ra kết quả tốt hoặc xấu như dữ liệu mà chúng tôi cung cấp cho nó.
Trong chương trước, chúng ta đã thảo luận về cách có thể tải dữ liệu CSV lên dự án ML của mình, nhưng sẽ rất tốt nếu bạn hiểu dữ liệu trước khi tải lên. Chúng ta có thể hiểu dữ liệu bằng hai cách, bằng số liệu thống kê và bằng trực quan.
Trong chương này, với sự trợ giúp của các công thức Python sau đây, chúng ta sẽ hiểu dữ liệu ML với số liệu thống kê.
Xem xét dữ liệu thô
Công thức đầu tiên là xem dữ liệu thô của bạn. Điều quan trọng là phải xem dữ liệu thô bởi vì cái nhìn sâu sắc mà chúng ta có được sau khi xem dữ liệu thô sẽ thúc đẩy cơ hội của chúng ta để xử lý trước cũng như xử lý dữ liệu tốt hơn cho các dự án ML.
Sau đây là một tập lệnh Python được triển khai bằng cách sử dụng hàm head () của Pandas DataFrame trên tập dữ liệu bệnh tiểu đường của người da đỏ Pima để xem 50 hàng đầu tiên để hiểu rõ hơn về nó -
Thí dụ
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))Đầu ra
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 0Chúng ta có thể quan sát từ kết quả ở trên rằng cột đầu tiên cung cấp số hàng, điều này có thể rất hữu ích để tham khảo một quan sát cụ thể.
Kiểm tra kích thước dữ liệu
Luôn luôn là một thực tiễn tốt để biết chúng ta đang có bao nhiêu dữ liệu, về hàng và cột cho dự án ML của mình. Những lý do đằng sau là -
Giả sử nếu chúng ta có quá nhiều hàng và cột thì sẽ mất nhiều thời gian để chạy thuật toán và đào tạo mô hình.
Giả sử nếu chúng ta có quá ít hàng và cột thì chúng ta sẽ không có đủ dữ liệu để đào tạo tốt mô hình.
Sau đây là một tập lệnh Python được triển khai bằng cách in thuộc tính hình dạng trên Khung dữ liệu Pandas. Chúng tôi sẽ triển khai nó trên tập dữ liệu iris để lấy tổng số hàng và cột trong đó.
Thí dụ
from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.shape)Đầu ra
(150, 4)Chúng ta có thể dễ dàng quan sát từ đầu ra mà tập dữ liệu mống mắt, chúng ta sẽ sử dụng, có 150 hàng và 4 cột.
Nhận loại dữ liệu của từng thuộc tính
Một phương pháp hay khác là biết kiểu dữ liệu của từng thuộc tính. Lý do đằng sau là, theo yêu cầu, đôi khi chúng ta có thể cần phải chuyển đổi kiểu dữ liệu này sang kiểu dữ liệu khác. Ví dụ: chúng ta có thể cần chuyển đổi chuỗi thành dấu phẩy động hoặc int để biểu diễn các giá trị phân loại hoặc thứ tự. Chúng ta có thể có ý tưởng về kiểu dữ liệu của thuộc tính bằng cách xem dữ liệu thô, nhưng một cách khác là sử dụng thuộc tính dtypes của Pandas DataFrame. Với sự trợ giúp của thuộc tính dtypes, chúng ta có thể phân loại từng kiểu dữ liệu thuộc tính. Nó có thể được hiểu với sự trợ giúp của tập lệnh Python sau:
Thí dụ
from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.dtypes)Đầu ra
sepal_length float64
sepal_width float64
petal_length float64
petal_width float64
dtype: objectTừ kết quả trên, chúng ta có thể dễ dàng nhận được các kiểu dữ liệu của từng thuộc tính.
Tóm tắt thống kê dữ liệu
Chúng ta đã thảo luận về công thức Python để có được hình dạng tức là số hàng và cột, của dữ liệu nhưng nhiều lần chúng ta cần xem lại các tóm tắt từ hình dạng dữ liệu đó. Nó có thể được thực hiện với sự trợ giúp của hàm description () của Pandas DataFrame cung cấp thêm 8 thuộc tính thống kê sau của mỗi & mọi thuộc tính dữ liệu -
- Count
- Mean
- Độ lệch chuẩn
- Giá trị tối thiểu
- Gia trị lơn nhât
- 25%
- Trung bình tức là 50%
- 75%
Thí dụ
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())Đầu ra
(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 1.00Từ kết quả trên, chúng ta có thể quan sát tóm tắt thống kê dữ liệu của bộ dữ liệu bệnh tiểu đường Ấn Độ Pima cùng với hình dạng của dữ liệu.
Xem xét phân phối lớp học
Thống kê phân phối lớp rất hữu ích trong các bài toán phân loại mà chúng ta cần biết số dư của các giá trị lớp. Điều quan trọng là phải biết phân phối giá trị lớp vì nếu chúng ta có phân phối lớp không cân bằng cao, tức là một lớp có nhiều quan sát hơn lớp khác, thì nó có thể cần xử lý đặc biệt ở giai đoạn chuẩn bị dữ liệu của dự án ML của chúng ta. Chúng ta có thể dễ dàng nhận được phân phối lớp bằng Python với sự trợ giúp của Pandas DataFrame.
Thí dụ
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)Đầu ra
Class
0 500
1 268
dtype: int64Từ kết quả trên, có thể thấy rõ rằng số lượng quan sát với lớp 0 gần như gấp đôi số quan sát với lớp 1.
Xem xét mối tương quan giữa các thuộc tính
Mối quan hệ giữa hai biến được gọi là tương quan. Trong thống kê, phương pháp phổ biến nhất để tính toán tương quan là Hệ số tương quan của Pearson. Nó có thể có ba giá trị như sau:
Coefficient value = 1 - Nó thể hiện đầy đủ positive tương quan giữa các biến.
Coefficient value = -1 - Nó thể hiện đầy đủ negative tương quan giữa các biến.
Coefficient value = 0 - Nó đại diện cho no tương quan giữa các biến.
Chúng tôi luôn luôn tốt khi xem xét các mối tương quan từng cặp của các thuộc tính trong tập dữ liệu của mình trước khi sử dụng nó vào dự án ML vì một số thuật toán học máy như hồi quy tuyến tính và hồi quy logistic sẽ hoạt động kém nếu chúng tôi có các thuộc tính tương quan cao. Trong Python, chúng ta có thể dễ dàng tính toán ma trận tương quan của các thuộc tính tập dữ liệu với sự trợ giúp của hàm corr () trên Pandas DataFrame.
Thí dụ
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)Đầu ra
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 1.00Ma trận ở đầu ra ở trên cho biết mối tương quan giữa tất cả các cặp thuộc tính trong tập dữ liệu.
Xem xét lại phần phân bổ thuộc tính
Độ xiên có thể được định nghĩa là sự phân bố được giả định là Gauss nhưng có vẻ bị bóp méo hoặc dịch chuyển theo hướng này hay hướng khác, hoặc sang trái hoặc phải. Xem xét độ lệch của các thuộc tính là một trong những nhiệm vụ quan trọng do những lý do sau:
Sự hiện diện của độ lệch trong dữ liệu đòi hỏi phải hiệu chỉnh ở giai đoạn chuẩn bị dữ liệu để chúng tôi có thể có được độ chính xác hơn từ mô hình của mình.
Hầu hết các thuật toán ML giả định rằng dữ liệu có phân phối Gaussian tức là chuẩn của dữ liệu cong hình chuông.
Trong Python, chúng ta có thể dễ dàng tính toán độ lệch của từng thuộc tính bằng cách sử dụng hàm xiên () trên Pandas DataFrame.
Thí dụ
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())Đầu ra
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: float64Từ đầu ra trên, có thể quan sát được độ lệch âm hoặc dương. Nếu giá trị gần bằng 0 thì nó hiển thị ít lệch hơn.