Udacity机器学习入门笔记——数据集与问题

最新推荐文章于 2024-12-02 17:12:03 发布

原创

最新推荐文章于 2024-12-02 17:12:03 发布 · 637 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍了在机器学习中，数据集的质量和数量往往比精心调整的算法更为关键，更多的数据通常能带来更好的算法性能。内容涵盖了数值数据、分类数据、时序数据和文字数据等不同类型的数据在机器学习中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

MORE DATA>FINE-TUNED ALGORITHM

更多的数据集要比经过精密调整的算法可以提供更好的结果,使用更多的数据几乎总能帮助算法取得更好的效果

数据类型：

值数据：基本特征就是数值（薪水信息）

分类数据（categorical）：类别变量，监督分类较多，包括有限数量的离散值（职位——有限的工作种类）

时序数据：时间变量（邮件中的时间戳、金融）

文字数据：词袋模型（邮件内容）

其他

import pickle

enron_data = pickle.load(open("../final_project/final_project_dataset.pkl", "r"))
#数据集有多少数据点（人）
print(len(enron_data))
#每个人有多少个特征可用
print(len(enron_data['METTS MARK']))
#数据集中有多少poi=True
print(len(dict((key, values) for key, values in enron_data.items() if values['poi'] == True)))
#总共有多少 POI？
with open('../final_project/poi_names.txt','r') as t:
	poi_file = t.readlines()
	print(len(poi_file[2:]))
#James Prentice 名下的股票总值是多少？
print(enron_data['PRENTICE JAMES']['total_stock_value'])
#有多少来自 Wesley Colwell 的发给嫌疑人的电子