ML之FE：利用FE特征工程(分析兩兩數(shù)值型特征之間的相關(guān)性)對AllstateClaimsSeverity(Kaggle2016競賽)數(shù)據(jù)集實現(xiàn)索賠成本值的回歸預(yù)測

?

?

目錄

輸出結(jié)果

設(shè)計思路

核心代碼

---

?

?

?

?

輸出結(jié)果

1、數(shù)據(jù)集簡介

Dataset之AllstateClaimsSeverity：AllstateClaimsSeverity數(shù)據(jù)集(Kaggle2016競賽)的簡介、下載、案例應(yīng)用之詳細攻略

?

?

2、數(shù)據(jù)可視化

T1、繪制heatmap圖

T2、繪制散點圖

?

?

設(shè)計思路

?

核心代碼

threshold = 0.5 corr_list = [] for i in range(0,size): for j in range(i+1,size): if (data_corr.iloc[i,j] >= threshold and data_corr.iloc[i,j] < 1) or (data_corr.iloc[i,j] < 0 and data_corr.iloc[i,j] <= -threshold): corr_list.append([data_corr.iloc[i,j],i,j]) s_corr_list = sorted(corr_list,key=lambda x: -abs(x[0])) for v,i,j in s_corr_list: print ("%s and %s = %.2f" % (cols[i],cols[j],v))for v,i,j in s_corr_list:sns.pairplot(train, size=6, x_vars=cols[i],y_vars=cols[j] )plt.title('AllstateClaimsSeverity: Scatter plot of only the highly correlated pairs')plt.show()

?

?

?

總結(jié)

以上是生活随笔為你收集整理的ML之FE：利用FE特征工程(分析两两数值型特征之间的相关性)对AllstateClaimsSeverity(Kaggle2016竞赛)数据集实现索赔成本值的回归预测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。