نشریه

در این ویدیو PCA را به طور عملی بر روی یک دیتا ست PCA Statistics Example انجام خواهیم داد. دیتاست مورد نظر مربوط به یک نظر سنجی است که از گروهی از افراد پرسیده شد که چرا دانشجویان نمی توانند با درس آمار ارتباط خوبی برقرار کنند. Pallet Bar 🡺 Source 🡺 CSV Pallet Bar […]

استخراج ویژگی (Feature extraction) فرایندی است که در آن با انجام عملیاتی بر روی داده‌ها، ویژگی‌های بارز و تعیین‌کننده آن داده ها استخراج می‌شود. هدف استخراج ویژگی این است که داده‌های خام به شکل قابل استفاده‌تری برای پردازش‌های آماری بعدی درآیند. در تکنیک های استخراج ویژگی، با ایجاد ترکیب های خطی از ویژگی های اولیه،

در این بخش از آموزش به پیاده سازی Feature Selection در دیتاست Bankloan می پردازیم و خواهیم دید که در نرم افزار IBM SPSS Modeler چگونه باید ویژگی های مهمی که در تحلیل این داده به ما کمک خواهند کرد را شناسایی کنیم. همچنین خواهیم آموخت که چگونه برآیند اهمیت فیلد ها را از طریق

همانطور که در ابتدای مباحث داده کاوی اشاره شده یکی از روش های شناخت و آماده سازی داده ها، کاهش ابعاد و انتخاب نمونه است. کاهش ابعاد تبدیلی است که در آن سعی می شود از تعداد متغیر ها کاسته شود. در این روش اقدام به حذف فیلد های نا مرتبطی که ارزش تحلیلی ندارند

کاربرد هموارسازی داه ها: در طبیعت و دنیای اطراف ما، پدیده‌هایی وجود دارند که با طول زمان دچار تغییر می‌شوند. این تغییرات می‌تواند به عوامل مختلفی وابسته باشد. گاهی ممکن است یک روند صعودی (یا نزولی) در تغییرات مربوط به ویژگی‌های یک پدیده مشاهده شود یا تغییرات فصلی باعث پدید آمدن تفاوت و اختلاف شود.

تجمیع و فشرده سازی (Aggregation) تجمیع داده ها با ترکیب دو یا چند رکورد داده و خلاصه سازی آنها با اهداف زیر انجام میشود: ۱. تغییر مقیاس و زاویه نگاه به داده ها به طور مثال با تجمیع داده های مشتریان بانک به تفکیک هر شعبه می توان زاویه نگاه تحلیل را از سطح مشتری

در این ویدیو با استفاده از پروژه ای که قبلا بر روی فایل Bankloan تعریف کرده ایم مباحثی که در خصوص تبدیل داده ها آموختیم را پیاده سازی می نماییم. در این قسمت از تکنیک های نرمال سازی، ساخت ویژگی و گسسته سازی  (دانش زمینه ای و روش های نظارت شده و نظارت نشده) استفاده

یکی از رایج ترین مراحل آماده سازی داده ها، ساخت ویژگی های جدید و اثربخش برای ورود به مدل ها می باشد. این مرحله به عنوان فرآیند شاخص سازی با اهداف مختلفی همچون تفسیرپذیری، تعمیم پذیری، افزایش کارایی مدل ها و … در داده های خام انجام می شود که شامل رویکردهای زیر می باشد: