Ghouls, Goblins, and Ghosts... Boo!

Август 19, 2022

Главная
Английский язык
Ghouls, Goblins, and Ghosts... Boo!

Содержание

2. Этапы работы с Dataset’ом EDA ДОБАВЛЕНИЕ НОВЫХ ПЕРЕМЕННЫХ ПОСЛЕ КЛАСТЕРИЗАЦИИ СРАВНЕНИЕ МОДЕЛЕЙ
3. EDA Проверили данные на пропуски Визуально изучили взаимосвязь между типом монстра и его цветом (‘Color’) =>
4. Добавление переменных в качестве кластера (1) Сделали t-SNE на данных с OHE и без OHE Визуально,
5. Добавление переменных в качестве кластера (2) Сделали Дендрограмму на данных с OHE и без OHE Дендрограмма
6. Добавление переменных в качестве кластера (3) Кластеризация на train по 3-м моделям: Spectral, Agglomerative, K-Means K-Means
7. Добавление переменных в качестве кластера (4) Кластеризация на train по 3-м моделям: Spectral, Agglomerative, K-Means K-Means
9. Скачать презентацию

Слайд 2

Этапы работы с Dataset’ом
EDA
ДОБАВЛЕНИЕ НОВЫХ ПЕРЕМЕННЫХ
ПОСЛЕ КЛАСТЕРИЗАЦИИ
СРАВНЕНИЕ МОДЕЛЕЙ

Слайд 3

EDA
Проверили данные на пропуски
Визуально изучили взаимосвязь между типом монстра и его

цветом (‘Color’) => связь оказалась не очевидна, переменную оставили для дальнейших расчетов (ВСТАВИТЬ КАРТИНКУ С ГРАФИКАМИ)

Упрощаем эту переменную через One-Hot Encoding

Делаем перемножение признаков (посмотреть, как сделал чувак)

ДОБАВИЛИ НОВЫЕ ПРИЗНАКИ В НАДЕЖДЕ УВЕЛИЧИТЬ КАЧЕСТВО ПРЕДСКАЗАНИЯ

Попробуем сделать кластеризацию и добавить принадлежность к кластеру в качестве переменной

Слайд 4

Добавление переменных в качестве кластера (1)
Сделали t-SNE на данных с OHE

и без OHE

Визуально, на данных с OHE группы монстров сильно удалены друг от друга, но внутри каждой группы классы сильно перемешаны => OHE лучше?

T-SNE c OHE

T-SNE без OHE

Слайд 5

Добавление переменных в качестве кластера (2)
Сделали Дендрограмму на данных с OHE

и без OHE

Дендрограмма без OHE хорошо подсвечивает 3 класса => берем на следующий шаг данные без OHE и без ‘Color’

Дендрограмма c OHE

Дендрограмма без OHE

Слайд 6

Добавление переменных в качестве кластера (3)
Кластеризация на train по 3-м моделям:

Spectral, Agglomerative, K-Means

K-Means дает более высокие внешние + внутренние оценки, но Agglomerative очень близко какой вариант лучше? GO Deeper!

Spectral

K-Means

Agglomerative

OHE

Слайд 7

Добавление переменных в качестве кластера (4)
Кластеризация на train по 3-м моделям:

Spectral, Agglomerative, K-Means

K-Means дает (1) более высокие внешние + внутренние оценки и (2) лучше разбивает вурдалаков на классы =>
берем K-Means на следующий шаг

Spectral

K-Means

Agglomerative

Ghouls, Goblins, and Ghosts... Boo!

Содержание

Этапы работы с Dataset’омEDAДОБАВЛЕНИЕ НОВЫХ ПЕРЕМЕННЫХ ПОСЛЕ КЛАСТЕРИЗАЦИИСРАВНЕНИЕ МОДЕЛЕЙ

EDAПроверили данные на пропускиВизуально изучили взаимосвязь между типом монстра и его

Добавление переменных в качестве кластера (1)Сделали t-SNE на данных с OHE

Добавление переменных в качестве кластера (2)Сделали Дендрограмму на данных с OHE

Добавление переменных в качестве кластера (3)Кластеризация на train по 3-м моделям:

Добавление переменных в качестве кластера (4)Кластеризация на train по 3-м моделям:

Похожие презентации