Hoje vamos analisar como podemos aplicar o escalonamento de recursos em conjuntos de dados dentro do scikit-learn em python. Isso é útil ao aplicar Normalização ou padronização aos dados, o que permite que os modelos de aprendizado de máquina tenham um desempenho melhor.
O conjunto de dados está disponível no meu Github
📧 Email: ryannolandata@gmail.com
🍿 ASSISTA A SEGUIR
Neste vídeo, eu o guio pelo escalonamento de recursos em Python usando scikit-learn para melhorar seus modelos de aprendizado de máquina. O escalonamento de recursos transforma valores numéricos para a mesma escala, tornando seus dados mais consistentes e seus modelos mais precisos. Eu abordo dois métodos essenciais: normalização e padronização.
A normalização escala os dados entre 0 e 1 usando o MinMaxScaler, que funciona subtraindo seu valor pelo mínimo e dividindo pela amplitude. A padronização, por outro lado, cria uma média de zero e desvio padrão de um usando o StandardScaler, semelhante a uma distribuição normal. Ao contrário da normalização, a padronização pode lidar com valores negativos e números maiores que um, tornando-a mais adequada para conjuntos de dados com outliers.
Eu demonstro ambas as técnicas usando dados reais de estatísticas de beisebol com 465 jogadores e 13 características diferentes. Você verá exatamente como importar os escaladores de sklearn.preprocessing, ajustar e transformar seus dados, e converter os resultados de volta em dataframes pandas limpos. Eu também comparo os resultados lado a lado para que você possa ver como cada método altera seus dados de maneira diferente, incluindo a análise da média, desvio padrão, valores mínimos e máximos antes e depois do escalonamento.
CARACTERÍSTICAS
00:00 Introdução ao Escalonamento de Recursos
01:35 Configurando Dados com Pandas
03:00 Visão Geral e Preparação dos Dados
04:40 Criando Variáveis X1 e X2
05:17 Implementação do Standard Scaler
06:45 Revisando Dados Padronizados
08:15 Implementação do Min Max Scaler
09:27 Comparando Padronização vs Normalização
10:45 Resultados Finais e Conclusão
OUTROS CONTATOS:
Quem é Ryan
Ryan é Cientista de Dados em uma empresa de fintech, onde se concentra na prevenção de fraudes em subscrição e risco. Antes disso, trabalhou como Analista de Dados em uma empresa de software tributário. Ele possui um diploma em Engenharia Elétrica pela UCF.
Quem é Matt
Matt é o fundador da Width.ai, uma agência de IA e Aprendizado de Máquina. Antes de iniciar sua própria empresa, ele foi Engenheiro de Aprendizado de Máquina na Capital One.
*Este é um programa de afiliados. Recebemos uma pequena parte da venda final sem custo adicional para você.