Outliner 觀念問題 - Cupoy

2019/09/07 下午 00:50

機器學習共學討論版

魏廷儒

觀看數：81

回答數：1

收藏數：0

ml100-3

ml100-3-d10

# 將 GrLivArea 限制在 800 到 2500 以內, 捨棄離群值

keep_indexs = (df['GrLivArea']> 800) & (df['GrLivArea']< 2500)

df = df[keep_indexs]

train_Y = train_Y[keep_indexs]

sns.regplot(x = df['GrLivArea'], y=train_Y)

plt.show()

# 做線性迴歸, 觀察分數

train_X = MMEncoder.fit_transform(df)

estimator = LinearRegression()

cross_val_score(estimator, train_X, train_Y, cv=5).mean()

以上這段script，其中 len(keep_indexs) = 1344

1.)我的理解是將DataFrame 中的1344筆資料，df['GrLivArea'] 當成 x 軸，train_Y 當成 y軸做線性迴歸並座圖

2.) 將DataFrame(此時為[1344 rows x 36 columns]) 做normalize，LinearRegression() 做為kernal , 以36 個attribute + 1個常數項為 做為對train_Y迴歸的對項，去計算cross_val_score 

3.) 不知道以上的理解是否有誤，如果無誤了話，對'GrLivArea'來說是outliner 的資料點不見得對 'MSSubClass', 'LotFrontage'…來說也是outliner , 如果我把'MSSubClass'等等36個 attribute 的outilner 的點都拿掉，資料點會不會變太少，實務中這種做法會不會太浪費資料點(資料取得不易)

回答列表

• 2019/09/07 下午 09:19
  張維元 (WeiYuan)
  贊同數：0
  不贊同數：0
  留言數：0

  對，你的理解是對的。所以當資料欄位太多的情況視覺化的方式通常很難觀察（超過三維空間）