Avant de créer des vecteurs de caractéristiques, nous vous recommandons d'étudier les données numériques de deux manières:
- Visualisez vos données sous forme de graphiques ou de graphiques.
- Obtenez des statistiques sur vos données.
Visualisez vos données
Les graphiques peuvent vous aider à identifier les anomalies ou les tendances cachées dans les données. Par conséquent, avant de vous lancer dans l'analyse, examinez vos données sous forme graphique, sous forme de nuages de points ou d'histogrammes. Affichez des graphiques non seulement au début du pipeline de données, mais aussi tout au long des transformations de données. Les visualisations vous aident à vérifier en permanence vos hypothèses.
Nous vous recommandons d'utiliser pandas pour la visualisation:
Notez que certains outils de visualisation sont optimisés pour certains formats de données. Un outil de visualisation qui vous aide à évaluer les tampons de protocole peut ou non vous aider à évaluer les données CSV.
Évaluer vos données de manière statistique
En plus de l'analyse visuelle, nous vous recommandons également d'évaluer les fonctionnalités et les libellés potentiels de manière mathématique, en recueillant des statistiques de base telles que:
- moyenne et médiane
- écart-type
- les valeurs aux divisions des quartiles: les centiles 0, 25, 50, 75 et 100. Le 0e centile correspond à la valeur minimale de cette colonne, et le 100e centile à la valeur maximale de cette colonne. (Le 50e centile correspond à la médiane.)
Identifier les anomalies
Une anomalie est une valeur éloignée de la plupart des autres valeurs d'une caractéristique ou d'un libellé. Les valeurs aberrantes entraînent souvent des problèmes lors de l'entraînement du modèle. Il est donc important de les identifier.
Lorsque le delta entre le 0e et le 25e centile diffère considérablement du delta entre le 75e et le 100e centile, l'ensemble de données contient probablement des valeurs aberrantes.
Les valeurs aberrantes peuvent appartenir à l'une des catégories suivantes:
- L'écart est dû à une erreur. Par exemple, un expérimentateur a peut-être saisi un zéro supplémentaire par erreur, ou un instrument qui a collecté des données a peut-être mal fonctionné. Vous supprimerez généralement les exemples contenant des valeurs aberrantes dues à des erreurs.
- L'écart type est un point de données légitime, et non une erreur.
Dans ce cas, votre modèle entraîné devra-t-il inférer de bonnes prédictions sur ces valeurs aberrantes ?
- Si c'est le cas, conservez ces valeurs aberrantes dans votre ensemble d'entraînement. Après tout, les valeurs aberrantes de certaines caractéristiques reflètent parfois les valeurs aberrantes de l'étiquette. Elles peuvent donc aider votre modèle à effectuer de meilleures prédictions. Attention, les valeurs aberrantes extrêmes peuvent toujours nuire à votre modèle.
- Si ce n'est pas le cas, supprimez les valeurs aberrantes ou appliquez des techniques d'ingénierie des caractéristiques plus invasives, telles que le clipping.