КОД. EDA, РАЗВЕДОЧНЫЙ И ПЕРВИЧНЫЙ АНАЛИЗ ДАННЫХ | MATPLOTLIB, SEABORN

Описание

Поддержать канал можно оформив подписку на
🎉 https://boosty.to/machine_learrrning
🎉 https://vk.com/machine_learrrning
🎉 А можете скидывать монеты на https://www.donationalerts.com/r/machine_learrrning

💻 Мои курсы на платформе Stepik:
https://stepik.org/users/4802047

ПЕРВАЯ ЧАСТЬ ЛЕКЦИИ: https://rutube.ru/video/1721fcad415b46a9ac04ebd97c310f95/

Анализ данных в машинном обучении очень полезный этап. На второй части лекции рассмотрим код на Python, с помощью которого можно визуализировать данные.

Ссылка на google colab: https://colab.research.google.com/drive/1UzeZKZvjuwYjzVyDjOaah9uyfAGOHQj3


EDA на данных с банка
0:00 Введение
0:14 Подгрузка данных
1:07 plt.style.available

1:25 plt.plot - линейный график
3:33 Отрисовка двух линейных графика на одном

3:54 plt.hist - гистограмма (плотность распределения)

4:42 plt.scatterplot - точечный график

5:44 plt.boxplot - ящик с усами
6:13 showfliers - отрисовка без выбросов

6:56 plt.bar - столбчатая диаграмма
7:31 Многорядовые столбчатые диаграммы
8:59 Настаканные (stacked) столбчатые диаграммы

10:12 plt.pie - круговая диаграмма

EDA на данных про недвижимость
10:25 EDA - вводная
11:01 Зачем нужен EDA?
11:33 Шаги первичного анализа данных
11:50 Пару слов про rcParams
12:25 Данные

13:03 1 Шаг EDA. Распределение целевого значения
13:11 Отличие вещественного признака от категориального

14:09 Распределение игрушечного вещественного признака через sns.distplot
15:40 Меры центральной тенденции игрушечного вещественного признака
17:01 Распределение целевого признака
18:09 Меры центральной тенденции целевого признака
18:26 Мода на графике распределения
18:41 Медиана и среднее на графике распределения

19:12 Значение моды не объективно для вещественного признака
19:39 Как вернуть моде вещественного признака адекватность?
19:55 Перевод вещественного признака в категориальный
22:15 Убираем выбросы из целевого признака


23:11 2 Шаг EDA. Анализ признаков
23:20 sns.heatmap - тепловая карта

23:55 Анализ количественных признаков
24:05 plt.hist для поиска выбросов
26:38 sns.jointplot - график взаимного распределения
27:25 Прямая линейная связь
27:41 plt.boxplot для поиска выбросов

28:28 Анализ категориальных признаков
28:36 plt.bar для анализа категорий

29:00 Матрица корреляций
29:12 Обратная линейная связь
29:42 sns.heatmap для матрицы корреляций
30:21 Сильно скоррелированные признаки


30:51 3 Шаг EDA. Анализ зависимости целевого значения от признаков
31:05 Анализ количественных признаков
33:00 sns.pairplot - графики взаимных распределений

33:49 Анализ категориальных признаков
34:20 plt.boxplot для анализа категорий
35:00 sns.violinplot для анализа категорий


35:18 Резюме урока