機(jī)器學(xué)習(xí)之特征工程-數(shù)據(jù)預(yù)處理2

擴(kuò)展閱讀:

數(shù)據(jù)預(yù)處理

特征二值化

對(duì)于某些定量特征梗搅,其包含的有效信息為區(qū)間劃分末誓,例如學(xué)習(xí)成績(jī)颗味,假若只關(guān)心“及格”或不“及格”超陆,那么需要將定量的考分,轉(zhuǎn)換成“1”和“0”表示及格和未及格浦马。定量特征二值化的核心在于設(shè)定一個(gè)閾值时呀,大于閾值的賦值為1,小于等于閾值的賦值為0晶默,公式表達(dá)如下:

image.png

使用preproccessing庫(kù)的Binarizer類(lèi)對(duì)數(shù)據(jù)進(jìn)行二值化的代碼如下:

from sklearn.preprocessing import Binarizer

X = [[ 1., -1.,  2.],
     [ 2.,  0.,  0.],
     [ 0.,  1., -1.]]
binarizer = Binarizer().fit(X)
print(binarizer.transform(X))

output

[[ 1.  0.  1.]
 [ 1.  0.  0.]
 [ 0.  1.  0.]]

分類(lèi)特征編碼

特征更多的時(shí)候是分類(lèi)特征谨娜,而不是連續(xù)的數(shù)值特征。 比如一個(gè)人的特征可以是[“male”, “female”]磺陡, ["from Europe", "from US", "from Asia"]趴梢, ["uses Firefox", "uses Chrome", "uses Safari", "uses Internet Explorer"]。 這樣的特征可以高效的編碼成整數(shù)币他,例如 ["male", "from US", "uses Internet Explorer"]可以表示成 [0, 1, 3]坞靶,["female", "from Asia", "uses Chrome"]就是[1, 2, 1]
這個(gè)的整數(shù)特征表示并不能在scikit-learn的估計(jì)器中直接使用蝴悉,因?yàn)檫@樣的連續(xù)輸入彰阴,估計(jì)器會(huì)認(rèn)為類(lèi)別之間是有序的,但實(shí)際卻是無(wú)序的拍冠。(例如:瀏覽器的類(lèi)別數(shù)據(jù)則是任意排序的)尿这。
一個(gè)將分類(lèi)特征轉(zhuǎn)換成scikit-learn估計(jì)器可用特征的可選方法是使用one-of-K或者one-hot編碼,OneHotEncoder是該方法的一個(gè)實(shí)現(xiàn)。該方法將每個(gè)類(lèi)別特征的 m 可能值轉(zhuǎn)換成m個(gè)二進(jìn)制特征值庆杜,當(dāng)然只有一個(gè)是激活值射众。例如:

from sklearn.preprocessing import OneHotEncoder
print(OneHotEncoder().fit_transform([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]).toarray())

output

[[ 1.  0.  1.  0.  0.  0.  0.  0.  1.]
 [ 0.  1.  0.  1.  0.  1.  0.  0.  0.]
 [ 1.  0.  0.  0.  1.  0.  1.  0.  0.]
 [ 0.  1.  1.  0.  0.  0.  0.  1.  0.]]

缺失值處理

因?yàn)楦鞣N各樣的原因,真實(shí)世界中的許多數(shù)據(jù)集都包含缺失數(shù)據(jù)晃财,這類(lèi)數(shù)據(jù)經(jīng)常被編碼成空格叨橱、NaNs,或者是其他的占位符断盛。但是這樣的數(shù)據(jù)集并不能scikit-learn學(xué)習(xí)算法兼容雏逾,因?yàn)榇蠖嗟膶W(xué)習(xí)算法都默認(rèn)假設(shè)數(shù)組中的元素都是數(shù)值,因而所有的元素都有自己的意義郑临。 使用不完整的數(shù)據(jù)集的一個(gè)基本策略就是舍棄掉整行或整列包含缺失值的數(shù)據(jù)栖博。但是這樣就付出了舍棄可能有價(jià)值數(shù)據(jù)(即使是不完整的 )的代價(jià)。 處理缺失數(shù)值的一個(gè)更好的策略就是從已有的數(shù)據(jù)推斷出缺失的數(shù)值厢洞。
Imputer類(lèi)提供了缺失數(shù)值處理的基本策略仇让,比如使用缺失數(shù)值所在行或列的均值典奉、中位數(shù)、眾數(shù)來(lái)替代缺失值丧叽。該類(lèi)也兼容不同的缺失值編碼卫玖。
接下來(lái)是一個(gè)如何替換缺失值的簡(jiǎn)單示例,缺失值被編碼為np.nan, 使用包含缺失值的列的均值來(lái)替換缺失值踊淳。

import numpy as np
from sklearn.preprocessing import Imputer
imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
imp.fit([[1, 2], [np.nan, 3], [7, 6]])
#Imputer(axis=0, copy=True, missing_values='NaN', strategy='mean', verbose=0)
X = [[np.nan, 2], [6, np.nan], [7, 6]]
print(imp.transform(X))

output

[[ 4.          2.        ]
 [ 6.          3.66666667]
 [ 7.          6.        ]]

數(shù)據(jù)變換

很多情況下假瞬,考慮輸入數(shù)據(jù)中的非線性特征來(lái)增加模型的復(fù)雜性是非常有效的。常見(jiàn)的數(shù)據(jù)變換有基于多項(xiàng)式的迂尝、基于指數(shù)函數(shù)的脱茉、基于對(duì)數(shù)函數(shù)的。
使用preproccessing庫(kù)的PolynomialFeatures類(lèi)對(duì)數(shù)據(jù)進(jìn)行多項(xiàng)式轉(zhuǎn)換的代碼如下:

import numpy as np
from sklearn.preprocessing import PolynomialFeatures
X = np.arange(6).reshape(3, 2)
PolynomialFeatures(2).fit_transform(X)

output

array([[  1.,   0.,   1.,   0.,   0.,   1.],
       [  1.,   2.,   3.,   4.,   6.,   9.],
       [  1.,   4.,   5.,  16.,  20.,  25.]])

基本的數(shù)據(jù)預(yù)處理就包含以上的方法垄开。

文中涉及源碼在這里:源碼

參考

sklearn preprocess
特征工程到底是什么琴许?

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市溉躲,隨后出現(xiàn)的幾起案子榜田,更是在濱河造成了極大的恐慌,老刑警劉巖锻梳,帶你破解...
    沈念sama閱讀 216,402評(píng)論 6 499
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件箭券,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡疑枯,警方通過(guò)查閱死者的電腦和手機(jī)邦鲫,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,377評(píng)論 3 392
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)神汹,“玉大人,你說(shuō)我怎么就攤上這事古今∑ㄎ海” “怎么了?”我有些...
    開(kāi)封第一講書(shū)人閱讀 162,483評(píng)論 0 353
  • 文/不壞的土叔 我叫張陵捉腥,是天一觀的道長(zhǎng)氓拼。 經(jīng)常有香客問(wèn)我,道長(zhǎng)抵碟,這世上最難降的妖魔是什么桃漾? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 58,165評(píng)論 1 292
  • 正文 為了忘掉前任,我火速辦了婚禮拟逮,結(jié)果婚禮上撬统,老公的妹妹穿的比我還像新娘。我一直安慰自己敦迄,他們只是感情好恋追,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,176評(píng)論 6 388
  • 文/花漫 我一把揭開(kāi)白布凭迹。 她就那樣靜靜地躺著,像睡著了一般苦囱。 火紅的嫁衣襯著肌膚如雪嗅绸。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 51,146評(píng)論 1 297
  • 那天撕彤,我揣著相機(jī)與錄音鱼鸠,去河邊找鬼。 笑死羹铅,一個(gè)胖子當(dāng)著我的面吹牛蚀狰,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播睦裳,決...
    沈念sama閱讀 40,032評(píng)論 3 417
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼造锅,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了廉邑?” 一聲冷哼從身側(cè)響起哥蔚,我...
    開(kāi)封第一講書(shū)人閱讀 38,896評(píng)論 0 274
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎蛛蒙,沒(méi)想到半個(gè)月后糙箍,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,311評(píng)論 1 310
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡牵祟,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,536評(píng)論 2 332
  • 正文 我和宋清朗相戀三年深夯,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片诺苹。...
    茶點(diǎn)故事閱讀 39,696評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡咕晋,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出收奔,到底是詐尸還是另有隱情掌呜,我是刑警寧澤,帶...
    沈念sama閱讀 35,413評(píng)論 5 343
  • 正文 年R本政府宣布坪哄,位于F島的核電站质蕉,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏翩肌。R本人自食惡果不足惜模暗,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,008評(píng)論 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望念祭。 院中可真熱鬧兑宇,春花似錦、人聲如沸粱坤。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 31,659評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至若厚,卻和暖如春拦英,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背测秸。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 32,815評(píng)論 1 269
  • 我被黑心中介騙來(lái)泰國(guó)打工疤估, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人霎冯。 一個(gè)月前我還...
    沈念sama閱讀 47,698評(píng)論 2 368
  • 正文 我出身青樓铃拇,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親沈撞。 傳聞我的和親對(duì)象是個(gè)殘疾皇子慷荔,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,592評(píng)論 2 353

推薦閱讀更多精彩內(nèi)容