当前位置: 首页 > news >正文

大连建站软件专业网站建设费用

大连建站软件,专业网站建设费用,网站开发费用怎么入账,百度服务中心电话两个最主要的处理缺失值的方法是#xff1a; ❏ 删除缺少值的行#xff1b; ❏ 填充缺失值#xff1b; 我们首先将serum_insulin的中的字段值0替换为None#xff0c;可以看到缺失值的数量为374个#xff1b; print(pima[serum_insulin].isnull().sum()) pima[serum_insu…两个最主要的处理缺失值的方法是 ❏ 删除缺少值的行 ❏ 填充缺失值 我们首先将serum_insulin的中的字段值0替换为None可以看到缺失值的数量为374个 print(pima[serum_insulin].isnull().sum()) pima[serum_insulin] pima[serum_insulin].map(lambda x:x if x ! 0 else None) print(pima[serum_insulin].isnull().sum()) # 0 # 374替换所有的缺失字段可以看到不同字段缺失值的情况是不一样的 columns [serum_insulin, bmi, plasma_glucose_concentration,diastolic_blood_pressure, triceps_thickness] for c in columns:pima[c].replace([0], [None], inplaceTrue)print(pima.isnull().sum()) # times_pregnant 0 # plasma_glucose_concentration 5 # diastolic_blood_pressure 35 # triceps_thickness 227 # serum_insulin 374 # bmi 11 # pedigree_function 0 # age 0 # onset_diabetes 0 # dtype: int64可以看到此时describe不会针对有缺失值的列进行计算 print(pima.describe()) # times_pregnant pedigree_function age onset_diabetes # count 768.000000 768.000000 768.000000 768.000000 # mean 3.845052 0.471876 33.240885 0.348958 # std 3.369578 0.331329 11.760232 0.476951 # min 0.000000 0.078000 21.000000 0.000000 # 25% 1.000000 0.243750 24.000000 0.000000 # 50% 3.000000 0.372500 29.000000 0.000000 # 75% 6.000000 0.626250 41.000000 1.000000 # max 17.000000 2.420000 81.000000 1.000000我们可以自己手动计算均值 # print(pima[plasma_glucose_concentration].mean(), pima[plasma_glucose_concentration].std())# 121.6867627785059 30.53564107280403处理缺失数据最简单的方式就是丢弃数据行我们使用dropna方法进行处理可以看到将近丢弃一半的数据从机器学习的角度考虑尽管数据都有值、很干净但是我们没有利用尽可能多的数据忽略了一半以上的观察值。 pima_dropped pima.dropna() rows pima.shape[0] rows_dropped pima_dropped.shape[0] num_rows_lost round(100*(rows-rows_dropped)/rows) print(lost {}% rows.format(num_rows_lost)) # lost 49% rows通过以下我们可以看到糖尿病的患病概率影响并不是很大 print(pima[onset_diabetes].value_counts(normalizeTrue)) print(pima_dropped[onset_diabetes].value_counts(normalizeTrue)) # onset_diabetes # 0 0.651042 # 1 0.348958 # Name: proportion, dtype: float64 # onset_diabetes # 0 0.668367 # 1 0.331633 # Name: proportion, dtype: float64通过以下可以看到各个字段的均值处理前后的大小 pima_mean pima.mean() pima_dropped_mean pima_dropped.mean() print(pima_mean) print(pima_dropped_mean) # times_pregnant 3.845052 # plasma_glucose_concentration 121.686763 # diastolic_blood_pressure 72.405184 # triceps_thickness 29.15342 # serum_insulin 155.548223 # bmi 32.457464 # pedigree_function 0.471876 # age 33.240885 # onset_diabetes 0.348958 # dtype: object# times_pregnant 3.30102 # plasma_glucose_concentration 122.627551 # diastolic_blood_pressure 70.663265 # triceps_thickness 29.145408 # serum_insulin 156.056122 # bmi 33.086224 # pedigree_function 0.523046 # age 30.864796 # onset_diabetes 0.331633 # dtype: object可以看到进行数据处理之后每个字段的变化率 mean_percent (pima_dropped_mean - pima_mean) / pima_mean print(mean_percent) # times_pregnant -0.141489 # plasma_glucose_concentration 0.007731 # diastolic_blood_pressure -0.024058 # triceps_thickness -0.000275 # serum_insulin 0.003265 # bmi 0.019372 # pedigree_function 0.108439 # age -0.071481 # onset_diabetes -0.04965 # dtype: object通过饼图查看各个字段的百分比变化 ax mean_percent.plot(kindbar, title% change in average column values) ax.set_ylabel(% change) plt.show()可以看到times_pregnant怀孕次数的均值在删除缺失值后下降了14%变化很大pedigree_function糖尿病血系功能也上升了11%也是个飞跃。可以看到删除行观察值会严重影响数据的形状所以应该保留尽可能多的数据。 使用处理过的数据训练scikit-learn的K最近邻KNNk-nearest neighbor分类模型可以看到最好的邻居数是7个此时KNN模型的准确率是74.5% from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import GridSearchCVX_dropped pima_dropped.drop(onset_diabetes, axis 1) print(learning from {} rows.format(X_dropped.shape[0])) y_dropped pima_dropped[onset_diabetes]knn_para {n_neighbors:[1,2,3,4,5,6,7]} knn KNeighborsClassifier() grid GridSearchCV(knn, knn_para) grid.fit(X_dropped, y_dropped) print(grid.best_score_, grid.best_params_)# learning from 392 rows # 0.7348263550795197 {n_neighbors: 7}
http://wiki.neutronadmin.com/news/231664/

相关文章:

  • python如何做自己的网站WordPress对接易支付
  • 网站建设A系列套餐报价直播网站如何做
  • 印度购物网站排名游戏网站搭建需要多少钱
  • 黄岩城乡住房和建设局网站开什么网站暴利
  • 大麦网网站建设的功能定位网站建设价格最低多少钱
  • 广州 网站制作公司 网络服务连云港做电商网站的公司
  • 网站建设中 英文受欢迎的句容网站建设
  • 怒江北京网站建设什么事网页设计
  • 企业建站用什么主机手表网站十大品牌
  • 政务网站建设要求招远网站开发
  • 手机搭建网站工具seo竞争对手网站分析
  • 贵州省铁路建设办公室网站企业官网怎么做
  • ui在线设计网站目前引流最好的app
  • 手机网站制作要求标准女做受视频网站
  • 建立一个虚拟公司的网站网站开发求职简历
  • 网站 app建设开发合作协议wordpress 模板 推荐
  • 南宁专门建网站的公司公司网站标题优化
  • 福州专业网站建设服务商wordpress 插件 样式
  • 网站搭建空间泸州市建设规划局网站
  • 商丘手机网站制作上市公司网站推广方案
  • 阿里云云主机做网站网上开店如何找货源
  • 网站icp备案查不到建设网站的网页设计
  • 软件推广网站梧州市建设局网站
  • 网站主页面设计哪个好网站建设动态
  • 源代码如何做网站app官网登录入口
  • 一键制作网页网站上seo怎么做
  • dhl做单网站rest api wordpress
  • 网站建设的书wordpress无法发送邮件
  • 网站的内容做证据观点品牌设计公司排名品牌形象广告
  • 网站建设评标办法网站怎么实现邮件验证