Содержание:
∘ Многомерный вменитель:
∘ Здесь вам придется работать в два этапа.
∘ Реализация:
Многомерный импортер:
Многомерный вменитель — это статистический инструмент, используемый для заполнения пропущенных значений в наборе данных путем рассмотрения связей между несколькими переменными. Вместо того, чтобы просто самостоятельно угадывать пропущенные значения, он учитывает связи между различными точками данных, чтобы сделать более точные замены. Это помогает улучшить качество данных для анализа или моделирования.
KNN imputer работает по этому алгоритму под названием «KNN». Основной принцип заключается в том, что вы похожи на своих соседей.
Все ваши характеристики и поведение будут аналогичны характеристикам вашего соседа. Если какое-либо значение отсутствует, вы заполните недостающее значение той строки, которая наиболее похожа на вашу строку. в этом идея
Сходство рассчитывается с использованием евклидова расстояния, каждую строку можно рассматривать как координату. Предположим, вы вкладываете значение строки 2,
вы рассчитаете расстояние строки 2 до других строк. Какая бы строка ни была ближе всего к строке 2, вы замените ее значением признака 1. Вот как это работает.
В k-ближайшем соседе «K» — это количество соседей. Если вы возьмете значение K = 1, то вы замените недостающее значение значением этого соседа.
Если взять значение k = 2, то пропущенное значение будет заменено средним значением обоих соседей.
Здесь вам придется работать в два этапа.
- Найдите K-ближайшего соседа (на евклидовом расстоянии)
- Найдите значение.
Чтобы рассчитать евклидово расстояние, если есть две координаты (x,y,z), вы будете использовать следующую формулу:
Чтобы рассчитать евклидово расстояние, если есть три координаты (x, y и z), вы будете использовать следующую формулу:
Здесь может случиться так, что некоторые значения отсутствуют в строках. Вот новое евклидово расстояние, которое называется «Нановклидово расстояние».
Я прикрепил официальную документацию от scikit-learn ниже.
Это не обычное евклидово расстояние, а евклидово для обработки пропущенных значений.
Преимущество этого метода в том, что он более точен и обычно дает лучшие результаты.
Недостаток – больше вычислений. При работе с большим набором данных это займет много времени.
Другая проблема возникает при развертывании на сервере. Вам необходимо загрузить на сервер весь обучающий набор.
Выполнение:
Спасибо, что нашли время прочитать мой блог. Ваша поддержка и участие значат для меня многое. Я искренне ценю ваш интерес к моему проекту и надеюсь, что он дал вам ценную информацию. Ваши постоянные читатели и отзывы вдохновляют меня продолжать делиться знаниями и стремиться к совершенству. Спасибо за то, что вы были частью этого путешествия.
Свяжитесь со мной:
LinkedIn: https://www.linkedin.com/in/pareshpatil122/
GitHub: https://github.com/paresh122
Портфолио: https://pareshpatil-portfolio.netlify.app/
Topmate: https://topmate.io/paresh_patil122
