6. تحويلات مجموعات البيانات

يوفر Scikit-learn مكتبة من المحولات، والتي قد تنظف (انظر المعالجة المسبقة للبيانات)، أو تقلل (انظر تخفيض الأبعاد غير الخاضع للإشراف)، أو توسع (انظر Kernel Approximation) أو تولد (انظر استخراج الميزات) تمثيلات الميزات.

مثل المقدرات الأخرى، يتم تمثيلها بواسطة فئات باستخدام طريقة fit، والتي تتعلم معلمات النموذج (على سبيل المثال، المتوسط والانحراف المعياري لـ التطبيع) من مجموعة التدريب، وطريقة transform التي تطبق نموذج التحويل هذا على بيانات غير مرئية. قد يكون fit_transform أكثر ملاءمة وفعالية لنمذجة وتحويل بيانات التدريب في وقت واحد.

تمت تغطية الجمع بين هذه المحولات، إما بالتوازي أو بالتسلسل خطوط الأنابيب والمقدرات المركبة. مقاييس المقارنة الزوجية، والصلات، والنوى (Kernels) يغطي تحويل الميزة مسافات إلى مصفوفات تقارب، بينما تحويل هدف التنبؤ (y) يعتبر تحويلات مساحة الهدف (على سبيل المثال، التصنيفات الفئوية) للاستخدام في Scikit-learn.

• 6.1. خطوط الأنابيب والمقدرات المركبة
  • 6.1.1. Pipeline: سلسلة المقدرات
  • 6.1.2. تحويل الهدف في الانحدار
  • 6.1.3. FeatureUnion: مساحات ميزات مركبة
  • 6.1.4. ColumnTransformer للبيانات غير المتجانسة
  • 6.1.5. تصور المقدرات المركبة
• 6.2. استخراج الميزات
  • 6.2.1. تحميل الميزات من القواميس
  • 6.2.2. تجزئة الميزات
  • 6.2.3. استخراج ميزات النص
  • 6.2.4. استخراج ميزات الصور
• 6.3. المعالجة المسبقة للبيانات
  • 6.3.1. التوحيد التحجيم(قياس)ي، أو إزالة المتوسط وتحجيم(قياس) التباين
  • 6.3.2. التحويل غير الخطي
  • 6.3.3. التطبيع
  • 6.3.4. تشفير الميزات الفئوية
  • 6.3.5. التحويل إلى فئات (التقطيع)
  • 6.3.6. إسناد القيم المفقودة
  • 6.3.7. إنشاء ميزات متعددة الحدود
  • 6.3.8. محولات مخصصة
• 6.4. تعويض القيم المفقودة
  • 6.4.1. التعويض أحادي المتغير مقابل التعويض متعدد المتغيرات
  • 6.4.2. تعويض الميزات أحادية المتغير
  • 6.4.3. تعويض الميزات متعددة المتغيرات
  • 6.4.4. تعويض أقرب الجيران
  • 6.4.5. الحفاظ على عدد الميزات ثابتًا
  • 6.4.6. وضع علامة على القيم المُعوضة
  • 6.4.7. المُقدِّرات التي تتعامل مع قيم NaN
• 6.5. تخفيض الأبعاد غير الخاضع للإشراف
  • 6.5.1. PCA: تحليل المكونات الرئيسية
  • 6.5.2. الإسقاطات العشوائية
  • 6.5.3. تجميع الميزات
• 6.6. الإسقاط العشوائي
  • 6.6.1. مبرهنة جونسون-ليندستراوس
  • 6.6.2. الإسقاط العشوائي ذاتي
  • 6.6.3. الإسقاط العشوائي النادر
  • 6.6.4. التحويل العكسي
• 6.7. Kernel Approximation
  • 6.7.1. أسلوب Nystroem لتقريب النواة
  • 6.7.2. نواة دالة الأساس الشعاعي
  • 6.7.3. نواة Chi التربيعية المضافة
  • 6.7.4. نواة Chi التربيعية المُنحرفة
  • 6.7.5. تقريب النواة متعددة الحدود عبر Tensor Sketch
  • 6.7.6. التفاصيل الرياضية
• 6.8. مقاييس المقارنة الزوجية، والصلات، والنوى (Kernels)
  • 6.8.1. تشابه جيب التمام
  • 6.8.2. النواة الخطية
  • 6.8.3. النواة متعددة الحدود
  • 6.8.4. النواة السينية (Sigmoid)
  • 6.8.5. نواة دالة أساس شعاعي (RBF)
  • 6.8.6. نواة لابلاس
  • 6.8.7. نواة مربع كاي
• 6.9. تحويل هدف التنبؤ (y)
  • 6.9.1. تثنية التصنيف
  • 6.9.2. الترميز التصنيفي