# Hw3

## Missing data
### Replace missing value

因為這一筆資料及當中沒有missing value 所以我們補missing 數值的時候並不會有任何變化

## Sampling
:::success

Resample（重新取樣）在監督式學習中的應用：

在監督式學習中，我們通常有帶有標籤的訓練數據，用於訓練機器學習模型。有時，數據集可能不平衡，即某些類別的示例數量明顯少於其他類別。這可能導致模型對多數類別的預測效果較好，但對少數類別的效果較差。
在這種情況下，"Resample" 可以用來調整訓練數據的分佈，以使每個類別的示例數量均衡。這可以通過過抽樣多數類別的示例或重複抽樣少數類別的示例來實現。
:::
### Supervised Resample
:::info
這邊我可以參照文件說明的方式 需要nominal 才可以使用這個分配不然請使用 unsupervised 分類
而我們可以看出來這邊具有三個種類的 屬於nominal 特性
1. Iris-setosa 50 50.0
2. Iris-versicolor 50 50.0
3. Iris-virginica 50 50.0
:::
所以我們就是用supervised
#### before

#### after
:::info
我這邊調整一個參數 bias 1.0 所以資料的sample，分佈會向外靠攏一個標準差重新sample，所以看起來會有變重玉山變成小胖山

左右一個標準差都取樣為1.0
:::
:::info
只取右邊就是0.5會看到資料嚴重右傾斜
0.5
:::

### Unsupervised Resample

:::warning
但是我們依舊可以使用unspuervise 的方法
但是我們可以發現效果並不明顯std 還是在 4.3 代表 unsupervised 對這個資料效果並不明顯，因為原本的分佈或密度就很均勻所以才會有這樣的結果。
:::

## Dimension reduction(PCA)
### Principal Components
:::success
我們俗稱的PCA　這邊要使用ＰＣＡ 知道pca 對資料有何影響　這邊我們把大維度的切個程為兩個ＤＩＭ
:::
因為這是在計算資料之間的共變細數，所以我們可以發現大致上分成兩個類別，就是共變數特別高的，以及
共變數為負數的兩群，但是多數還是為負數，所以我們做ＰＣＡ　要找出其中的花蕊長度，跟花瓣長度關係是小的。
## Attribute selection
## Discretization
:::info
Data discretization refers to a method of converting a huge number of data values into smaller ones'
把資料從連續的階段轉換為離散的階段
:::
### Supervise Attribute Discretize
:::info
依據，屬性來分類，可以用樹狀圖來思考，我們可以做幾個比例來觀察結果。
:::
我這邊來做10%來切分之後會大致上區分成3類別
:::success

:::
### Unsupervised Attribute Discretize
:::info
單純依據數值來分配
:::

:::success
把資料依據間距拉出來來做切分，我們可以看出我們是依據Ｂ10來作為切分

:::
## Binarize
### Supervise Attribute Nominal to binary
因為這iris 資料沒有Nominal資料 所以我們沒有辦法轉成binary
using the one-attribute-per-value approach
### Unsupervised Attribute Nominal to binary
因為這iris 資料沒有Nominal資料 所以我們沒有辦法轉成binary
### Unsupervised Attribute Numerical to binary
:::info
我們這邊會發現一些很有趣得結果
:::
:::success
只有有數值與沒有數值兩類
:::

## Standardize
### Unsupervised Attribute Standardize(都有操作過)
因為iris 數值都是連續不需要Standardize 結果還是一樣,不會有變化
## Normalize
### Unsupervised Instance Normalize(都有操作過了)
更不需要標準化，標準化之後並不會有什麼變化
## Type Transform
### Unsupervised Attribute String to Nominal
因為IRIS 也沒有String 的資料所以我們一樣看不出變化就算操作之後

以下是我的 TeamViewer ID 號碼與連線密碼。
請使用它們與我開始遠端技術支援工作階段。

TeamViewer ID： 1 942 601 966
您的密碼： wcnen6jk