Accueil Finances personnelles Identifiant des données manquantes pour l'apprentissage automatique - mannequins

Identifiant des données manquantes pour l'apprentissage automatique - mannequins

Vidéo: Formation SPSS: Codage et saisie des données 2025

Vidéo: Formation SPSS: Codage et saisie des données 2025
Anonim

Même si vous avez assez d'exemples pour former des algorithmes d'apprentissage automatique simples et complexes, ils doivent présenter des valeurs complètes dans les caractéristiques, sans toutes les données manquantes. Avoir un exemple incomplet rend impossible la connexion de tous les signaux à l'intérieur et entre les caractéristiques. Les valeurs manquantes rendent également difficile l'apprentissage de l'algorithme pendant l'entraînement. Vous devez faire quelque chose à propos des données manquantes.

Le plus souvent, vous pouvez ignorer les valeurs manquantes ou les réparer en devinant une valeur de remplacement probable. Cependant, trop de valeurs manquantes rendent des prédictions plus incertaines parce que les informations manquantes pourraient masquer n'importe quelle figure possible; par conséquent, plus les valeurs sont manquantes dans les entités, plus les prédictions sont variables et imprécises.

Dans un premier temps, comptez le nombre de cas manquants dans chaque variable. Lorsqu'une variable contient trop de cas manquants, vous devrez peut-être la supprimer de l'ensemble de données de formation et de test. Une bonne règle consiste à supprimer une variable si plus de 90% de ses instances sont manquantes.

Certains algorithmes d'apprentissage ne savent pas gérer les valeurs manquantes et signaler les erreurs dans les phases d'entraînement et de test, tandis que d'autres les traitent comme des valeurs nulles, entraînant une sous-estimation de la valeur prédite (c'est juste comme si une partie de la formule ne fonctionnait pas correctement). Par conséquent, vous devez remplacer toutes les valeurs manquantes dans votre matrice de données par une valeur appropriée pour que l'apprentissage automatique se produise correctement.

De nombreuses raisons existent pour les données manquantes, mais le point essentiel est de savoir si les données manquent de manière aléatoire ou dans un ordre spécifique. Les données manquantes aléatoires sont idéales parce que vous pouvez deviner leur valeur en utilisant une moyenne simple, une médiane ou un autre algorithme d'apprentissage automatique, sans trop de soucis. Certains cas contiennent un fort biais en faveur de certains types d'exemples.

Par exemple, pensez au cas de l'étude du revenu d'une population. Les gens riches (pour des raisons fiscales, vraisemblablement) ont tendance à cacher leur véritable revenu en vous rapportant qu'ils ne savent pas. D'un autre côté, les pauvres peuvent dire qu'ils ne veulent pas déclarer leur revenu par crainte d'un jugement négatif. Si vous manquez des informations provenant de certaines couches de la population, la réparation des données manquantes peut être difficile et trompeuse car vous pourriez penser que ces cas sont comme les autres.

Au lieu de cela, ils sont assez différents. Par conséquent, vous ne pouvez pas simplement utiliser des valeurs moyennes pour remplacer les valeurs manquantes - vous devez utiliser des approches complexes et les ajuster soigneusement.De plus, il est difficile d'identifier les cas qui ne manquent pas de données au hasard parce qu'il faut examiner de plus près comment les valeurs manquantes sont associées à d'autres variables de l'ensemble de données.

Lorsque des données sont manquantes au hasard, vous pouvez facilement réparer les valeurs vides car vous obtenez des indications sur leur vraie valeur à partir d'autres variables. Lorsque les données ne sont pas manquantes au hasard, vous ne pouvez pas obtenir de bons indices d'autres informations disponibles à moins que vous compreniez l'association de données avec le cas manquant.

Par conséquent, si vous devez calculer le revenu manquant dans vos données, et qu'il manque parce que la personne est riche, vous ne pouvez pas remplacer la valeur manquante par une moyenne simple parce que vous la remplacerez par un revenu moyen. Au lieu de cela, vous devriez utiliser une moyenne du revenu des personnes riches en remplacement.

Lorsque les données ne sont pas manquantes au hasard, le fait que la valeur soit manquante est informatif car il permet de retrouver le groupe manquant. Vous pouvez laisser la corvée de recherche de la raison pour laquelle il manque à votre algorithme d'apprentissage automatique en créant une nouvelle fonctionnalité binaire qui signale lorsque la valeur d'une variable est manquante. Par conséquent, l'algorithme d'apprentissage automatique déterminera la meilleure valeur à utiliser en tant que remplacement par lui-même.

Identifiant des données manquantes pour l'apprentissage automatique - mannequins

Le choix des éditeurs

Conventions de dénomination pour Ruby on Rails - mannequins

Conventions de dénomination pour Ruby on Rails - mannequins

Vous utilisez Ruby on Rails pour créer un site Web application ou application de base de données Web, ce qui est très intelligent de votre part. En fonction de ce que vous utilisez (une application, une relation un-à-plusieurs ou une relation plusieurs-à-plusieurs), vous utilisez différentes variantes des protocoles d'attribution de noms Rails, qui sont expliquées dans les sections suivantes. Ruby Naming for ...

En orbite, panoramique et zoom dans la vue 3D de Blender - mannequins

En orbite, panoramique et zoom dans la vue 3D de Blender - mannequins

En essayant de naviguer dans un espace en trois dimensions à travers un écran bidimensionnel comme un écran d'ordinateur, vous ne pouvez pas interagir avec cet espace 3D virtuel exactement comme vous le feriez dans le monde réel, ou espace de vie. La meilleure façon de visualiser le travail en 3D à travers un programme comme Blender est d'imaginer la vue 3D comme vos yeux ...

Déplacement de clips sur la timeline dans Final Cut Pro HD - Ficelles

Déplacement de clips sur la timeline dans Final Cut Pro HD - Ficelles

Final Cut Pro HD Timeline vous permet d'organiser tous vos clips vidéo et audio afin qu'ils racontent l'histoire que vous voulez raconter. Pour comprendre le fonctionnement de la Timeline, imaginez-la comme une page de partitions, mais plutôt que de placer des notes de musique de différentes durées (noires, demi-notes, ...

Le choix des éditeurs

Contrôle et modification de l'associativité des dimensions dans AutoCAD - Dummies

Contrôle et modification de l'associativité des dimensions dans AutoCAD - Dummies

Lorsque vous ajoutez des dimensions en sélectionnant des objets ou en utilisant l'accrochage aux objets Pour sélectionner des points sur les objets, AutoCAD crée normalement des dimensions associatives, qui sont connectées aux objets et se déplacent avec eux. C'est le cas dans les nouveaux dessins créés à l'origine dans toute version d'AutoCAD à partir de 2002. Si vous ...

Copie de styles de cote existants dans AutoCAD 2008 - mannequins

Copie de styles de cote existants dans AutoCAD 2008 - mannequins

Si vous avez la chance de travailler dans un bureau Quelqu'un a mis en place des styles de cotes qui conviennent à votre secteur d'activité et à votre projet. Vous pouvez le copier et ainsi éviter de devoir créer vos propres styles de cote. (Un style de cote - ou dimstyle pour faire court - est une collection de paramètres de dessin appelée dimension ...

En choisissant un style d'édition AutoCAD -

En choisissant un style d'édition AutoCAD -

Dans AutoCAD vous passez généralement plus de temps à éditer que dessiner des objets. C'est en partie parce que le processus de conception et de rédaction est, par nature, sujet à des changements, et aussi parce que AutoCAD vous permet de modifier facilement les objets proprement. AutoCAD propose trois styles d'édition: Commande-première Sélection-première Objet-direct (poignée) AutoCAD fait référence à l'édition de commandes comme verbe-nom ...

Le choix des éditeurs

Praxis Examen d'éducation élémentaire - Présentations orales - mannequins

Praxis Examen d'éducation élémentaire - Présentations orales - mannequins

Parce que les élèves doivent généralement donner des présentations orales en classe , vous rencontrerez probablement une question sur ce sujet dans l'examen Praxis Elementary Education. Plus formelles que les discussions de groupe, les présentations orales ont leurs propres règles pour le conférencier. Lorsque vous donnez une présentation en classe, il y a plusieurs ...

Praxis Examen d'éducation élémentaire - Littérature et texte d'information - mannequins

Praxis Examen d'éducation élémentaire - Littérature et texte d'information - mannequins

L'examen Praxis Elementary Education sur la littérature et le texte d'information, c'est-à-dire la fiction et la non-fiction. Vous devrez donc vous familiariser avec les différents genres d'écriture. La compréhension du texte est un processus qui se produit au fil du temps.

Praxis Examen d'éducation élémentaire - Connaissance phonologique - mannequins

Praxis Examen d'éducation élémentaire - Connaissance phonologique - mannequins

Vous rencontrerez probablement une ou deux questions qui impliquent des questions phonologiques sensibilisation à l'examen Praxis Elementary Education. La conscience phonologique est une compétence large impliquant la reconnaissance de son. Les lecteurs débutants commencent par apprendre les sons individuels, ou phonèmes, dans des mots parlés. Par exemple, le mot chat a trois phonèmes: / c / / a / / t /. Un lecteur débutant apprend ...