zoukankan      html  css  js  c++  java
  • 数据预处理

    常见的数据预处理方法,以下通过sklearn的preprocessing模块来介绍;

    1. 标准化(Standardization or Mean Removal and Variance Scaling)

    变换后各维特征有0均值,单位方差。也叫z-score规范化(零均值规范化)。计算方式是将特征值减去均值,除以标准差。

     
    sklearn.preprocessing.scale(X)
    

    一般会把train和test集放在一起做标准化,或者在train集上做标准化后,用同样的标准化器去标准化test集,此时可以用scaler

     
    scaler = sklearn.preprocessing.StandardScaler().fit(train)
    scaler.transform(train)
    scaler.transform(test)
    

    实际应用中,需要做特征标准化的常见情景:SVM

    2. 最小-最大规范化

    最小-最大规范化对原始数据进行线性变换,变换到[0,1]区间(也可以是其他固定最小最大值的区间)

     
    min_max_scaler = sklearn.preprocessing.MinMaxScaler()
    min_max_scaler.fit_transform(X_train)
    

    3.规范化(Normalization)

    规范化是将不同变化范围的值映射到相同的固定范围,常见的是[0,1],此时也称为归一化。《机器学习》周志华

    将每个样本变换成unit norm。

     
    X = [[ 1, -1, 2],[ 2, 0, 0], [ 0, 1, -1]]
    sklearn.preprocessing.normalize(X, norm='l2')
    

    得到:

     
    array([[ 0.40, -0.40, 0.81], [ 1, 0, 0], [ 0, 0.70, -0.70]])
    

    可以发现对于每一个样本都有,0.4^2+0.4^2+0.81^2=1,这就是L2 norm,变换后每个样本的各维特征的平方和为1。类似地,L1 norm则是变换后每个样本的各维特征的绝对值和为1。还有max norm,则是将每个样本的各维特征除以该样本各维特征的最大值。

    在度量样本之间相似性时,如果使用的是二次型kernel,需要做Normalization

    4. 特征二值化(Binarization)

    给定阈值,将特征转换为0/1

     
    binarizer = sklearn.preprocessing.Binarizer(threshold=1.1)
    binarizer.transform(X)
    

    5. 标签二值化(Label binarization)

     
    lb = sklearn.preprocessing.LabelBinarizer()
    

    6. 类别特征编码

    有时候特征是类别型的,而一些算法的输入必须是数值型,此时需要对其编码。

     
    enc = preprocessing.OneHotEncoder()
    enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])
    enc.transform([[0, 1, 3]]).toarray()  #array([[ 1., 0., 0., 1., 0., 0., 0., 0., 1.]])
    

    上面这个例子,第一维特征有两种值0和1,用两位去编码。第二维用三位,第三维用四位。

    7.标签编码(Label encoding)

     
    le = sklearn.preprocessing.LabelEncoder()  
    le.fit([1, 2, 2, 6]) 
    le.transform([1, 1, 2, 6])  #array([0, 0, 1, 2]) 
    #非数值型转化为数值型
    le.fit(["paris", "paris", "tokyo", "amsterdam"])
    le.transform(["tokyo", "tokyo", "paris"])  #array([2, 2, 1])
    

    8.特征中含异常值时

     
    sklearn.preprocessing.robust_scale
    

    9.生成多项式特征

    这个其实涉及到特征工程了,多项式特征/交叉特征。

     
    poly = sklearn.preprocessing.PolynomialFeatures(2)
    poly.fit_transform(X)
    

     

    原始特征:

    转化后:

  • 相关阅读:
    华为网络层协议介绍
    华为交换机基本原理
    对网络布线与数制转换粗浅认识
    对 计算机网络参考模型新认识
    我对5G的初步认识
    三层交换机单臂路由
    同网段中不同vlan间,客户机从服务器中下载数据
    Telnet远程配置
    华为模拟器里使用RIP协议跨越主类网络边界的实验现象
    7.10 IP地址的格式 以及 网段地址等
  • 原文地址:https://www.cnblogs.com/b-l-java/p/6897155.html
Copyright © 2011-2022 走看看