Feature Engineering: Comment Détecter les Valeurs Aberrantes (Outliers)?
ฝัง
- เผยแพร่เมื่อ 24 ก.ค. 2020
- Deuxième partie de la série : feature engineering.. nous allons detecter les outliers.
Base de données utilisée: www.kaggle.com/koki25ando/salary
#outliers #colab #python #pandas
Je vous remercie infiniment pour vos explications
Très bien ! Continue...
Merci bccp
Salut; est ce qu'on peut remplacer les valeurs aberrantes? par la mediane par exemple
Bonjour monsieur, jai une petite question, qu'est ce que je dois choisir entre tensorflow, keras et pytorch pour débuter en deep learning ? Et merci
Silon Tin pour commencer je recommande tensorflow ensuite le passage à pytorch n’est pas compliqué
@@formasys8974 merci beaucoup
Keras est dans tensorflow. Donc vous pouvez commencer par numpy pour comprendre les concepts puis passer sur tensorflow puis sur PyTorch ( c’est du transfert learning et facile à utiliser)
Bonjour quand je vais appeler la fonction il m'affiche une erreur comme quoi z_score' is not defined.et pourtant j'ai bien recopie la fonction
outliers=[]
def detect_outliers(data):
threshold=3
mean = np.mean(data)
std = np.std(data)
#on va parcouris les données et calculé le z_score
for i in data:
z_score(i-mean)/std
#on va faire une comparaison de la valeur absolue
if np.abs(z_score)>threshold:
outliers.happend(i)
return outliers
detect_outliers(tdf['prix'])
Z_score=(i-mean)/std
th-cam.com/video/lweg_6Zb38Y/w-d-xo.html
Merci pour cette vidéo. J’ai également fait une vidéo qui explique Les outliers | Partie Théorique
th-cam.com/video/lweg_6Zb38Y/w-d-xo.html