목록머신러닝/코드 뜯어보기 (4)

OFMY (Ony for me and you)

[EDA] Feature 시각화

타깃값(0: 정상/ 1: 비정상) 에 따른 데이터 분포 확인 - Categorical (범주형 데이터) # 이상치 유무에 따른 차이를 보기 위한 데이터 분류 train_0 = train[train['Y_LABEL']==0] train_1 = train[train['Y_LABEL']==1] # 'COMPONENT_ARBITRARY' #Test Feature fig, ax = plt.subplots(1, 2, figsize=(16, 6)) sns.countplot(x = 'COMPONENT_ARBITRARY', data = train_0, ax = ax[0], order = train_0['COMPONENT_ARBITRARY'].value_counts().index) ax[0].tick_params(labe..
머신러닝/코드 뜯어보기 2023. 9. 12. 16:03
[EDA] 타깃 분포 살펴보기 - pie차트

target 값의 분포를 파이차트로 확인하기 plt.subplots(figsize = (8,8)) plt.pie(train['Y_LABEL'].value_counts(), labels = train['Y_LABEL'].value_counts().index, autopct="%.2f%%", shadow = True, startangle = 90) plt.title('Anomaly Ratio', size=20) plt.show()
머신러닝/코드 뜯어보기 2023. 9. 12. 15:58
[EDA] 이상치 확인하기

- numeric 데이터 -> Boxplot for col in numerical_features : plt.figure(figsize=(12, 8)) plt.boxplot(train[col], sym='r*') plt.title(col) plt.show()
머신러닝/코드 뜯어보기 2023. 9. 12. 15:55
[EDA] 데이터프레임으로 피쳐 특성 살펴보기

모든 feature의 타입, 결측치, 고유값들을 정리해서 데이터프레임을 재가공 시키는 코드 # show dataframe for each features that we have dataFeatures = [] dataType = [] null = [] nullPCT = [] unique = [] minValue = [] maxValue = [] uniqueSample = [] for item in list(train): dataFeatures.append(item) #데이터 타입 for item in dataFeatures: dataType.append(train[item].dtype.name) #결측치 개수 for item in dataFeatures: null.append(len(train[train..
머신러닝/코드 뜯어보기 2023. 9. 12. 15:46
이전 Prev 1 Next 다음