Полная практическая обработка выбросов | Рассмотрение нескольких подходов | Предварительная обраб... скачать в хорошем качестве

Полная практическая обработка выбросов | Рассмотрение нескольких подходов | Предварительная обраб...

В продолжение нашего предыдущего видео, где мы подробно рассмотрели теорию, охватывающую всё, что связано с выбросами — от определения до обнаружения и обработки, — это полноценное практическое видео. Если вы не смотрели первую часть, вот ссылка: Теория обработки выбросов:    • The A to Z of dealing with Outliers | Data...   Ссылка на набор данных: https://www.kaggle.com/datasets/mlg-u... Ссылка на обучающее видео KNN:    • The A to Z of K Nearest Neighbors | All th...   Полный плейлист EDA и предварительной обработки данных — https://tinyurl.com/5c9dakus В этом видео мы проведём полноценное практическое руководство по обработке выбросов в Python. Начнём с методов обнаружения выбросов: Правило двух стандартных отклонений: мы покажем вам, как выявлять выбросы, используя правило двух стандартных отклонений, основанное на нормальном распределении. Это быстрый и простой метод. Правило межквартильного размаха (IQR): Мы также научим вас использовать правило IQR для обнаружения выбросов, которое является более надёжным при работе с асимметричными данными. Затем мы рассмотрим пять различных способов обработки выбросов на практике, подробно объясняя каждую строку кода. Эти пять стратегий обработки выбросов: Удаление выбросов: Узнайте, как удалить строки, содержащие выбросы, из набора данных. Этот подход полезен, когда у вас есть веские основания для исключения экстремальных значений, и выбросов не слишком много. Замена выбросов медианой: Узнайте, как заменить выбросы медианным значением, что является отличным способом сохранения целостности данных при работе с экстремальными значениями. Преобразование (например, логарифмическое преобразование): Мы продемонстрируем мощь преобразований, таких как логарифмическое преобразование, для работы с данными, асимметричными вправо, где выбросы могут влиять на ваш анализ. Винсоризация: Поймите концепцию винсоризации, при которой вы ограничиваете и ограничиваете выбросы до ближайших допустимых значений, эффективно снижая их влияние. Преобразование выбросов в пропущенные значения и импутация: В случаях, когда вы не хотите терять данные, но вам необходимо разобраться с выбросами, мы покажем вам, как преобразовать выбросы в пропущенные значения, а затем использовать мощный импутатор, такой как импутатор k-ближайших соседей (KNN) из scikit-learn, для заполнения этих пробелов. Мы не только покажем вам, как это сделать, но и объясним плюсы и минусы каждого подхода. Если вы искали полное руководство, то вы попали на нужное видео. Счастливого обучения!