ML: comprensión de datos con estadísticas
Introducción
Mientras trabajamos con proyectos de aprendizaje automático, generalmente ignoramos dos partes más importantes llamadas mathematics y data. Es porque sabemos que ML es un enfoque basado en datos y nuestro modelo ML producirá solo resultados tan buenos o malos como los datos que le proporcionamos.
En el capítulo anterior, discutimos cómo podemos cargar datos CSV en nuestro proyecto ML, pero sería bueno comprender los datos antes de cargarlos. Podemos entender los datos de dos formas, con estadísticas y con visualización.
En este capítulo, con la ayuda de las siguientes recetas de Python, vamos a comprender los datos de ML con estadísticas.
Mirando datos brutos
La primera receta es para mirar sus datos sin procesar. Es importante observar los datos sin procesar porque la información que obtendremos después de ver los datos sin procesar aumentará nuestras posibilidades de mejorar el preprocesamiento y el manejo de datos para proyectos de ML.
A continuación, se muestra un script de Python implementado mediante el uso de la función head () de Pandas DataFrame en el conjunto de datos de diabetes de los indios Pima para ver las primeras 50 filas y comprenderlo mejor:
Ejemplo
from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
headernames = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=headernames)
print(data.head(50))Salida
preg plas pres skin test mass pedi age class
0 6 148 72 35 0 33.6 0.627 50 1
1 1 85 66 29 0 26.6 0.351 31 0
2 8 183 64 0 0 23.3 0.672 32 1
3 1 89 66 23 94 28.1 0.167 21 0
4 0 137 40 35 168 43.1 2.288 33 1
5 5 116 74 0 0 25.6 0.201 30 0
6 3 78 50 32 88 31.0 0.248 26 1
7 10 115 0 0 0 35.3 0.134 29 0
8 2 197 70 45 543 30.5 0.158 53 1
9 8 125 96 0 0 0.0 0.232 54 1
10 4 110 92 0 0 37.6 0.191 30 0
11 10 168 74 0 0 38.0 0.537 34 1
12 10 139 80 0 0 27.1 1.441 57 0
13 1 189 60 23 846 30.1 0.398 59 1
14 5 166 72 19 175 25.8 0.587 51 1
15 7 100 0 0 0 30.0 0.484 32 1
16 0 118 84 47 230 45.8 0.551 31 1
17 7 107 74 0 0 29.6 0.254 31 1
18 1 103 30 38 83 43.3 0.183 33 0
19 1 115 70 30 96 34.6 0.529 32 1
20 3 126 88 41 235 39.3 0.704 27 0
21 8 99 84 0 0 35.4 0.388 50 0
22 7 196 90 0 0 39.8 0.451 41 1
23 9 119 80 35 0 29.0 0.263 29 1
24 11 143 94 33 146 36.6 0.254 51 1
25 10 125 70 26 115 31.1 0.205 41 1
26 7 147 76 0 0 39.4 0.257 43 1
27 1 97 66 15 140 23.2 0.487 22 0
28 13 145 82 19 110 22.2 0.245 57 0
29 5 117 92 0 0 34.1 0.337 38 0
30 5 109 75 26 0 36.0 0.546 60 0
31 3 158 76 36 245 31.6 0.851 28 1
32 3 88 58 11 54 24.8 0.267 22 0
33 6 92 92 0 0 19.9 0.188 28 0
34 10 122 78 31 0 27.6 0.512 45 0
35 4 103 60 33 192 24.0 0.966 33 0
36 11 138 76 0 0 33.2 0.420 35 0
37 9 102 76 37 0 32.9 0.665 46 1
38 2 90 68 42 0 38.2 0.503 27 1
39 4 111 72 47 207 37.1 1.390 56 1
40 3 180 64 25 70 34.0 0.271 26 0
41 7 133 84 0 0 40.2 0.696 37 0
42 7 106 92 18 0 22.7 0.235 48 0
43 9 171 110 24 240 45.4 0.721 54 1
44 7 159 64 0 0 27.4 0.294 40 0
45 0 180 66 39 0 42.0 1.893 25 1
46 1 146 56 0 0 29.7 0.564 29 0
47 2 71 70 27 0 28.0 0.586 22 0
48 7 103 66 32 0 39.1 0.344 31 1
49 7 105 0 0 0 0.0 0.305 24 0Podemos observar de la salida anterior que la primera columna da el número de fila que puede ser muy útil para hacer referencia a una observación específica.
Comprobación de las dimensiones de los datos
Siempre es una buena práctica saber cuántos datos, en términos de filas y columnas, tenemos para nuestro proyecto de AA. Las razones detrás son:
Supongamos que si tenemos demasiadas filas y columnas, llevaría mucho tiempo ejecutar el algoritmo y entrenar el modelo.
Supongamos que si tenemos menos filas y columnas, entonces no tendríamos suficientes datos para entrenar bien el modelo.
A continuación se muestra un script de Python implementado mediante la impresión de la propiedad de forma en el marco de datos de Pandas. Lo implementaremos en el conjunto de datos de iris para obtener el número total de filas y columnas en él.
Ejemplo
from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.shape)Salida
(150, 4)Podemos observar fácilmente a partir de la salida que el conjunto de datos de iris que vamos a usar tiene 150 filas y 4 columnas.
Obtener el tipo de datos de cada atributo
Otra buena práctica es conocer el tipo de datos de cada atributo. La razón detrás es que, según el requisito, a veces es posible que necesitemos convertir un tipo de datos a otro. Por ejemplo, es posible que necesitemos convertir una cadena en coma flotante o int para representar valores categóricos u ordinales. Podemos tener una idea sobre el tipo de datos del atributo mirando los datos sin procesar, pero otra forma es usar la propiedad dtypes de Pandas DataFrame. Con la ayuda de la propiedad dtypes podemos categorizar cada tipo de datos de atributos. Se puede entender con la ayuda de la siguiente secuencia de comandos de Python:
Ejemplo
from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.dtypes)Salida
sepal_length float64
sepal_width float64
petal_length float64
petal_width float64
dtype: objectDe la salida anterior, podemos obtener fácilmente los tipos de datos de cada atributo.
Resumen estadístico de datos
Hemos discutido la receta de Python para obtener la forma, es decir, el número de filas y columnas de datos, pero muchas veces necesitamos revisar los resúmenes de esa forma de datos. Se puede hacer con la ayuda de la función describe () de Pandas DataFrame que además proporciona las siguientes 8 propiedades estadísticas de cada atributo de datos:
- Count
- Mean
- Desviación Estándar
- Valor mínimo
- Valor máximo
- 25%
- Mediana, es decir, 50%
- 75%
Ejemplo
from pandas import read_csv
from pandas import set_option
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
set_option('display.width', 100)
set_option('precision', 2)
print(data.shape)
print(data.describe())Salida
(768, 9)
preg plas pres skin test mass pedi age class
count 768.00 768.00 768.00 768.00 768.00 768.00 768.00 768.00 768.00
mean 3.85 120.89 69.11 20.54 79.80 31.99 0.47 33.24 0.35
std 3.37 31.97 19.36 15.95 115.24 7.88 0.33 11.76 0.48
min 0.00 0.00 0.00 0.00 0.00 0.00 0.08 21.00 0.00
25% 1.00 99.00 62.00 0.00 0.00 27.30 0.24 24.00 0.00
50% 3.00 117.00 72.00 23.00 30.50 32.00 0.37 29.00 0.00
75% 6.00 140.25 80.00 32.00 127.25 36.60 0.63 41.00 1.00
max 17.00 199.00 122.00 99.00 846.00 67.10 2.42 81.00 1.00A partir del resultado anterior, podemos observar el resumen estadístico de los datos del conjunto de datos de diabetes de los indios Pima junto con la forma de los datos.
Revisión de la distribución de clases
Las estadísticas de distribución de clases son útiles en problemas de clasificación en los que necesitamos conocer el equilibrio de los valores de clase. Es importante conocer la distribución del valor de la clase porque si tenemos una distribución de clases altamente desequilibrada, es decir, una clase tiene muchas más observaciones que otra clase, entonces puede necesitar un manejo especial en la etapa de preparación de datos de nuestro proyecto ML. Podemos obtener fácilmente la distribución de clases en Python con la ayuda de Pandas DataFrame.
Ejemplo
from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
count_class = data.groupby('class').size()
print(count_class)Salida
Class
0 500
1 268
dtype: int64A partir del resultado anterior, se puede ver claramente que el número de observaciones con clase 0 es casi el doble que el número de observaciones con clase 1.
Revisión de la correlación entre atributos
La relación entre dos variables se llama correlación. En estadística, el método más común para calcular la correlación es el coeficiente de correlación de Pearson. Puede tener tres valores de la siguiente manera:
Coefficient value = 1 - Representa lleno positive correlación entre variables.
Coefficient value = -1 - Representa lleno negative correlación entre variables.
Coefficient value = 0 - Representa no correlación en absoluto entre variables.
Siempre es bueno para nosotros revisar las correlaciones por pares de los atributos en nuestro conjunto de datos antes de usarlo en el proyecto ML porque algunos algoritmos de aprendizaje automático, como la regresión lineal y la regresión logística, funcionarán mal si tenemos atributos altamente correlacionados. En Python, podemos calcular fácilmente una matriz de correlación de atributos del conjunto de datos con la ayuda de la función corr () en Pandas DataFrame.
Ejemplo
from pandas import read_csv
from pandas import set_option
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
set_option('display.width', 100)
set_option('precision', 2)
correlations = data.corr(method='pearson')
print(correlations)Salida
preg plas pres skin test mass pedi age class
preg 1.00 0.13 0.14 -0.08 -0.07 0.02 -0.03 0.54 0.22
plas 0.13 1.00 0.15 0.06 0.33 0.22 0.14 0.26 0.47
pres 0.14 0.15 1.00 0.21 0.09 0.28 0.04 0.24 0.07
skin -0.08 0.06 0.21 1.00 0.44 0.39 0.18 -0.11 0.07
test -0.07 0.33 0.09 0.44 1.00 0.20 0.19 -0.04 0.13
mass 0.02 0.22 0.28 0.39 0.20 1.00 0.14 0.04 0.29
pedi -0.03 0.14 0.04 0.18 0.19 0.14 1.00 0.03 0.17
age 0.54 0.26 0.24 -0.11 -0.04 0.04 0.03 1.00 0.24
class 0.22 0.47 0.07 0.07 0.13 0.29 0.17 0.24 1.00La matriz en la salida anterior da la correlación entre todos los pares del atributo en el conjunto de datos.
Revisión de la desviación de la distribución de atributos
La asimetría puede definirse como la distribución que se supone que es gaussiana pero que parece distorsionada o desplazada en una dirección u otra, o hacia la izquierda o hacia la derecha. Revisar la asimetría de los atributos es una de las tareas importantes debido a las siguientes razones:
La presencia de asimetría en los datos requiere la corrección en la etapa de preparación de datos para que podamos obtener más precisión de nuestro modelo.
La mayoría de los algoritmos ML asumen que los datos tienen una distribución gaussiana, es decir, datos normales o curvados en campana.
En Python, podemos calcular fácilmente el sesgo de cada atributo usando la función skew () en Pandas DataFrame.
Ejemplo
from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
print(data.skew())Salida
preg 0.90
plas 0.17
pres -1.84
skin 0.11
test 2.27
mass -0.43
pedi 1.92
age 1.13
class 0.64
dtype: float64A partir de la salida anterior, se puede observar una desviación positiva o negativa. Si el valor está más cerca de cero, muestra menos sesgo.