СЪДЪРЖАНИЕ
- ИМПОРТИРАНЕ НА ДАННИ
2. ЗАРЕЖДАНЕ НА ДАННИ
3. ВИЗУАЛИЗАЦИЯ НА ДАННИ И ТЕХНИКИ
4.ПРЕДВАРИТЕЛНА ОБРАБОТКА НА ДАННИ
5.ИЗГРАЖДАНЕ НА МОДЕЛ
6. ЗАКЛЮЧЕНИЕ
7.Край
БИБЛИОТЕКИ
ВНОС НА БИБЛИОТЕКИ
ДАННИТЕ СЕ ЗАРЕЖДАТ
- ОТНОСНО ДАННИТЕ
Контекст
Прогнозирайте дъжд на следващия ден чрез обучение на класификационни модели върху целевата променлива Rain Tomorrow.
Съдържание
Този набор от данни съдържа около 10 години ежедневни наблюдения на времето от много места в Австралия.
Rain Tomorrow е целевата променлива за прогнозиране. Това означава - валя ли на следващия ден, да или не? Тази колона е Да, ако дъждът за този ден е бил 1 mm или повече.
ВРЪЗКА- https://www.kaggle.com/jsphyg/weather-dataset-rattle-package
ВИЗУАЛИЗАЦИЯ И ПОЧИСТВАНЕ НА ДАННИ
Забележки:
- В набора от данни има липсващи стойности
- Наборът от данни включва числови и категориални стойности
ВИЗУАЛИЗАЦИЯ И ПОЧИСТВАНЕ НА ДАННИ
Стъпките включват в този раздел:
- Преброяване на графиката на целевата колона
- Корелация между числови атрибути
- Анализирайте датите в дата и час
- Кодиране на дните и месеците като непрекъснати циклични характеристики
ПРЕДВАРИТЕЛНА ОБРАБОТКА НА ДАННИ
Стъпки, включени в предварителната обработка на данни:
- Етикети за кодиране на колони с категорични данни
- Извършете мащабирането на характеристиките
- Откриване на отклонения
- Премахване на отклоненията въз основа на анализ на данни
МОДЕЛЕН СТРОИТЕЛ
Следните стъпки са включени в изграждането на модел
- Присвояване на X и y статус на атрибути и тагове
- Разделяне на тестови и тренировъчни комплекти
- Инициализиране на невронната мрежа
- Дефиниране чрез добавяне на слоеве
- Компилиране на невронна мрежа
- Обучете невронната мрежа
График на загуба на обучение и валидиране през епохи
ИЗВОДИ
Завършване на модела с:
- Тестване на тестовия комплект
- Оценяване на матрицата на объркването
- Оценяване на класификационния доклад
DEEP CC
Връзка към бележника: Тук
Кредит: Hrithikgupta
