Bitzu

Machine Learning Associate · Eksploracja i przygotowanie danych

Przeksztalcenie logarytmiczne

Najważniejsze

  • Ściśle dodatnie, prawoskośne dane o rozpiętości wielu rzędów wielkości (ceny, dochody, liczniki): log skraca długi ogon, zamienia efekty multiplikatywne w addytywne.
  • Zera wymagają log1p, tj. log(1 + x); ujemnych nie da się logarytmować.
  • Nie pomaga przy lewoskośnych; zwykle zbędne dla modeli drzewiastych (kolejność zostaje).
  • Zlogarytmowany cel: potęguj predykcje (exp, dla log1p expm1) przed metrykami lub raportem w oryginalnych jednostkach.

Przykładowe pytania

Jednokrotny wybór

Jakie wartosci uniewazniaja zwykly logarytm naturalny?

  1. Zero i wartosci ujemne
  2. Wartosci wieksze niz 1000
  3. Wartosci z czescia dziesietna
  4. Wartosci, ktore sie powtarzaja
Pokaż odpowiedź

Odpowiedź: A. Zero i wartosci ujemne

Logarytm jest okreslony tylko dla liczb dodatnich; zero i liczby ujemne wymagaja innego podejscia, np. log1p (dla zer) lub innego przeksztalcenia.

Zaznacz wszystkie poprawne

Ktore scenariusze pasuja do przeksztalcenia logarytmicznego?

  1. Scisle dodatnia, prawoskosna kolumna dochodu
  2. Rozmiary odpowiedzi WWW od bajtow do gigabajtow
  3. Nieujemna kolumna licznika z wieloma zerami, z uzyciem log1p
  4. Lewoskosna kolumna wyniku ograniczona do 100
  5. Wartosci zysku i straty, czesto ujemne
Pokaż odpowiedź

Odpowiedź: A. Scisle dodatnia, prawoskosna kolumna dochodu, B. Rozmiary odpowiedzi WWW od bajtow do gigabajtow, C. Nieujemna kolumna licznika z wieloma zerami, z uzyciem log1p

Dane dodatnie i prawoskosne oraz wartosci obejmujace wiele rzedow wielkosci pasuja; zera wymagaja log1p. Dane lewoskosne by sie pogorszyly, a liczb ujemnych nie da sie zlogarytmowac.

Prawda czy fałsz

Prawda czy falsz: logarytmowanie cechy zmienia kolejnosc jej wartosci, wiec drzewo decyzyjne znajdzie inne podzialy.

Pokaż odpowiedź

Odpowiedź: Fałsz

Falsz. Logarytm jest monotoniczny, wiec kolejnosc wartosci sie nie zmienia, a drzewo moze wykonac rownowazne podzialy. Logarytm pomaga glownie modelom liniowym i opartym na odleglosci.

Przećwicz 8 pytań z tego tematu w Bitzu

Krótkie lekcje, natychmiastowe wyjaśnienia i powtórki tego, w czym się mylisz. Za darmo na iOS i Androida.

Download on the App StoreGet it on Google Play

Więcej tematów Machine Learning Associate w tym module