Classificação

Vamos começar com uma revisão rápida de uma ideia importante do Curso intensivo de machine learning. Veja a distribuição no gráfico abaixo.

Figura 1: preços das casas em comparação com a latitude.

 

Para a seguinte pergunta, clique na seta desejada para verificar sua resposta:

Considere a Figura 1. Se você acha que a latitude pode ser um bom preditor de valores de casas, deixe a latitude como um valor de ponto flutuante? Por que ou por que não? Suponha que este seja um modelo linear.

Sim: se a latitude for um valor de ponto flutuante no conjunto de dados, você não deve alterá-lo.

Se você alimentar esses valores de ponto flutuante na sua rede, ele tentará aprender uma relação linear entre o recurso e o rótulo. Mas uma relação linear não tem probabilidade de latitude. Um aumento de um grau na latitude (por exemplo, de 34 a 35 graus) pode gerar uma certa mudança na saída do modelo. Por exemplo, um aumento de um grau diferente (por exemplo, de 35 a 36 graus) pode gerar uma quantidade diferente de mudança. É um comportamento não linear.

Não. Não há relação linear entre a latitude e os valores das casas.

Você suspeita que as latitudes e os valores de casas individuais estão relacionados, mas a relação não é linear.

---

Em casos como o exemplo de latitude, é necessário dividir as latitudes em buckets para aprender algo diferente sobre o valor de habitação para cada bucket. Essa transformação de atributos numéricos em atributos categóricos usando um conjunto de limites é chamada de agrupamento por classes (ou agrupamento por classes). Neste exemplo de bucket, os limites são igualmente espaçados.

 

Figura 2: preços internos x latitude, agora divididos em intervalos.

Agrupamento de quantis

Vamos analisar nosso conjunto de dados de preços de carros com os buckets adicionados. Com um recurso por bucket, o modelo usa a mesma capacidade para um único exemplo no intervalo >45000 e para todos os exemplos no intervalo de 5.000 a 10.000. Isso parece desperdiçado. Como poderíamos melhorar essa situação?

Figura 3: número de carros vendidos a preços diferentes.

 

O problema é que buckets igualmente espaçados não capturam bem essa distribuição. A solução é criar buckets com o mesmo número de pontos. Essa técnica é chamada de agrupamento de quantis. Por exemplo, a Figura a seguir divide os preços dos carros em intervalos de quantis. Para ter o mesmo número de exemplos em cada bucket, alguns dos buckets abrangem uma faixa de preço estrita, enquanto outros abrangem uma faixa de preço muito ampla.

Figura 4: o bucket quantil dá a cada bucket o mesmo número de carros.

Resumo dos buckets

Se você optar por agrupar os atributos numéricos em buckets, seja claro sobre como define os limites e que tipo de bucket está sendo aplicado:

• Buckets com limites igualmente espaçados: os limites são fixos e abrangem o mesmo intervalo (por exemplo, de 0 a 4 graus, 5 a 9 graus e 10 a 14 graus, ou de US $5.000 a US$ 9.999, US$ 10.000 a US$ 14.999 e US $15.000 a US$ 19.999). Alguns buckets podem conter muitos pontos, enquanto outros podem ter poucos ou nenhum.
• Buckets com limites de quantil: cada bucket tem o mesmo número de pontos. Os limites não são fixos e podem abranger um intervalo restrito ou amplo de valores.

O uso de buckets com limites igualmente espaçados é um método fácil que funciona para muitas distribuições de dados. No entanto, para dados distorcidos, tente usar o bucket com bucket de quantil.

Termos-chave:

criação de buckets