
409
9
테이블 데이터 모델링 깊게 알아보기
조금 더 나은 결과를 얻었습니다. 항상 전체 데이터셋을 사용할 필요는 없음을 알 수 있죠. 때
로는 부분집합을 사용하면 더 좋은 결과를 얻을 수 있습니다..
이제 신경망이 얼마나 도움이 되는지 알아봅시다.
9.7.3
신경망 모델 구축에도 같은 접근법을 사용할 수 있습니다. 먼저
TabularPandas
객체 설정 단
계를 그대로 수행합니다.
df_nn = pd.read_csv(path/’TrainAndValid.csv’, low_memory=False)
df_nn[‘ProductSize’] = df_nn[‘ProductSize’].astype(‘category’)
df_nn[‘ProductSize’].cat.set_categories(sizes, ordered=True, inplace=True)
df_nn[dep_var] = np.log(df_nn[dep_var])
df_nn = add_datepart(df_nn, ‘saledate’)
랜덤 포레스트 예에서 원치 않는 열을 제거한 작업을 활용하여 신경망에서도 같은 열을 사용하
게끔 합니다.
df_nn_final = df_nn[list(xs_final_time.columns) + [dep_var]]
결정 트리 접근법과 신경망에서 범주형 열을 처리하는 방식은 매우 다릅니다. ...