From c9b153fc35b91869db628f893fe1ceb58cb02ddd Mon Sep 17 00:00:00 2001 From: ksenia_nevaeva Date: Mon, 20 Jan 2025 02:01:44 +0400 Subject: [PATCH] 3 lab fix --- lec3.ipynb | 22 ++++++---------------- 1 file changed, 6 insertions(+), 16 deletions(-) diff --git a/lec3.ipynb b/lec3.ipynb index da17d1e..dcd8b5e 100644 --- a/lec3.ipynb +++ b/lec3.ipynb @@ -1250,11 +1250,6 @@ ").head(20)" ] }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [] - }, { "cell_type": "markdown", "metadata": {}, @@ -2224,7 +2219,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "Винсоризация признака " + "Винсоризация признака Volume" ] }, { @@ -2884,30 +2879,25 @@ "metadata": {}, "source": [ "Выводы: \n", - "1. Предсказательная способность\n", - "\n", + "1.Предсказательная способность\n", "Нормализация и стандартизация: Эти методы могут улучшить предсказательную способность признаков, так как они приводят данные к единому масштабу. Это особенно важно для алгоритмов, чувствительных к масштабу, таких как K-ближайших соседей или нейронные сети. Признаки, такие как Price_change, High_Low_diff, и Open_Close_diff, могут стать более информативными после этих преобразований.\n", "\n", "Винсоризация: Этот метод помогает уменьшить влияние выбросов, что может улучшить предсказательную способность модели, так как она будет менее подвержена искажениям из-за аномальных значений.\n", "\n", - "2. Скорость вычисления\n", + "2.Скорость вычисления\n", "Применение нормализации и стандартизации может немного увеличить время вычислений, так как требуется дополнительный шаг для преобразования данных. Однако, в данном случае это незначительное увеличение времени.\n", - "\n", "Винсоризация также может добавить некоторую вычислительную нагрузку, но она в данном случае незначительна.\n", - "3. Надежность\n", "\n", + "3.Надежность\n", "Нормализация и стандартизация могут повысить надежность признаков, так как они уменьшают влияние выбросов и делают данные более однородными. Это может привести к более стабильным и надежным результатам при обучении модели.\n", - "\n", "Винсоризация помогает устранить аномальные значения, что также способствует повышению надежности.\n", - "4. Корреляция\n", "\n", + "4.Корреляция\n", "После нормализации и стандартизации корреляции между признаками могут измениться. Это может помочь выявить более сильные связи между признаками и целевой переменной. Однако важно следить за мультиколлинеарностью, так как некоторые признаки могут стать слишком коррелированными.\n", - "\n", "Винсоризация может помочь уменьшить влияние выбросов на корреляцию, что может привести к более точным оценкам взаимосвязей между признаками.\n", - "5. Целостность\n", "\n", + "5.Целостность\n", "Нормализация и стандартизация не влияют на целостность данных, если они применяются корректно. Однако важно следить за тем, чтобы не было пропусков в данных, так как это может повлиять на качество модели.\n", - "\n", "Винсоризация и отсечение выбросов помогают поддерживать целостность данных, так как они устраняют аномальные значения, которые могут исказить результаты.\n", "\n", "Заключение\n",