ksenia_nevaeva/PIbd42NevaevaCourses
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

3 lab fix

Browse Source
This commit is contained in:
ksenia_nevaeva 2025-01-20 02:01:44 +04:00
parent ad419af4e6
commit c9b153fc35
1 changed files with 6 additions and 16 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

22
lec3.ipynb
View File

@ -1250,11 +1250,6 @@
").head(20)" ").head(20)"
] ]
}, },
{
"cell_type": "markdown",
"metadata": {},
"source": []
},
{ {
"cell_type": "markdown", "cell_type": "markdown",
"metadata": {}, "metadata": {},
@ -2224,7 +2219,7 @@
"cell_type": "markdown", "cell_type": "markdown",
"metadata": {}, "metadata": {},
"source": [ "source": [
"Винсоризация признака " "Винсоризация признака Volume"
] ]
}, },
{ {
@ -2884,30 +2879,25 @@
"metadata": {}, "metadata": {},
"source": [ "source": [
"Выводы: \n", "Выводы: \n",
"1. Предсказательная способность\n", "1.Предсказательная способность\n",
"\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", "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", "\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", "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", "\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", "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", "Винсоризация также может добавить некоторую вычислительную нагрузку, но она в данном случае незначительна.\n",
"3. Надежность\n",
"\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", "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", "Винсоризация помогает устранить аномальные значения, что также способствует повышению надежности.\n",
"4. Корреляция\n",
"\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", "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", "Винсоризация может помочь уменьшить влияние выбросов на корреляцию, что может привести к более точным оценкам взаимосвязей между признаками.\n",
"5. Целостность\n",
"\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", "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", "Винсоризация и отсечение выбросов помогают поддерживать целостность данных, так как они устраняют аномальные значения, которые могут исказить результаты.\n",
"\n", "\n",
"Заключение\n", "Заключение\n",