【机器学习】机器学习学习笔记 - 数据预处理

machine learning

监督学习: 是指在有标记的样本（labeled samples）上建立机器学习的模型
无监督学习: 是指在没有标记的样本上建立机器学习的模型
semi-supervised learning: 是指在部分标记样本上建立机器学习的模型
强化学习: 是指在与环境交互的过程中，根据环境反馈来调整策略，以达到目标
强化学习算法: 是指在与环境交互的过程中，根据环境反馈来调整策略，以达到目标的算法

pdf在线免费转word文档 https://orcc.online/pdf

数据预处理

行: 样本; 列：特征

均值移除(标准化)

均值移除(标准化): 平均值调整为 0, 标准差调整为 1
由于一个样本的不同特征值差异较大，不利于使用现有机器学习算法进行样本处理

代码

# -*- coding: UTF-8 -*-import numpy as np
from sklearn import preprocessing# 导入数据
data = np.array([[3,-1.5,2,-5.4],[0,4,-0.3,2.1],[1,3.3,-1.9,-4.3]])
print("data:\n", data)# 数据预处理
data_standardized = preprocessing.scale(data)
print("preprocessing.scale:\n", data_standardized)
# 特征值的平均值, 几乎为0
print("Mean =", data_standardized.mean(axis=0))
# 标准差,都为1
print("Std deviation =", data_standardized.std(axis=0))

算法

均值为 0

a=17
b=20
c=23
# 计算均值
mean=(a+b+c)/3
# 例如有一列特征值表示年龄：[17,20,23]
mean=(17+20+23)/3=20
a1=17-20=-3
b1=20-20=0
c1=23-20=3
# 均值为0

方差为 1

a1=-3
b1=0
c1=3
s=std(a1,b1,c1)
result = [a1/s,b1/s,c1/s]

范围缩放

数据点中每个特征的数值范围可能变化很大，因此，有时将特征的数值范围缩放到合理的大小是非常重要的
特征缩放: 特征值缩放到 0~1 之间

代码

data_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))
data_scaled = data_scaler.fit_transform(data)
print("Min max scaled data =", data_scaled)

归一化

归一化: 特征值缩放到 0~1 之间
数据归一化用于需要对特征向量的值进行调整时，以保证每个特征向量的值都缩放到相同的数值范围。机器学习中最常用的归一化形式就是将特征向量调整为 L1 范数，使特征向量的数值之和为 1
这个方法经常用于确保数据点没有因为特征的基本性质而产生较大差异，即确保数据处于同一数量级，提高不同特征数据的可比性

代码

data_scaler = preprocessing.normalizer(norm='l1').fit(data)
data_normalized = data_scaler.transform(data)
print("Normalized data =", data_normalized)

二值化

二值化用于将数值特征向量转换为布尔类型向量

代码

data_binarized = preprocessing.Binarizer(threshold=1.4).transform(data)
print("Binarized data:\n", data_binarized)

独热编码

独热编码是一种将离散型特征转换为二值型特征的技术，它将每个离散型特征的值转换为一个二值特征，并将其值设为 1，其他值设为 0

代码

encoder = preprocessing.OneHotEncoder()
encoder.fit([[0, 2, 1, 12], [1, 3, 5, 3], [2, 3, 2, 12], [1, 2, 4, 3]])
encoded_vector = encoder.transform([[2, 3, 5, 3]]).toarray()
print("Encoded vector =", encoded_vector)

标记编码

标记编码: 给定一个类别，将其转换为一个整数
标记编码的优点: 编码后的数据更加易于理解和处理
标记编码的缺点: 编码后的数据不易于理解和处理

from sklearn import preprocessing# 标记编码器
print("#"*10,"标记编码器", "#"*10)
label_encoder = preprocessing.LabelEncoder()
# 创建标记
input_classes = ['audi', 'ford', 'audi', 'toyota', 'ford', 'bmw']
# 标记编码
label_encoder.fit(input_classes)for i, item in enumerate(label_encoder.classes_):print(item, "\t=>\t", i)print("#"*10,"标记转数字", "#"*10)
labels = ['toyota', 'ford', 'audi']
encoded_labels = label_encoder.transform(labels)
print("Labels =", labels)
print("Encoded labels =", list(encoded_labels))

划分训练集与测试集

# 方法一，直接用包划分
from sklearn.model_selection import train_test_split# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=7)# 方法二，手工划分
# 划分训练集与测试集
X_train, X_test, y_train, y_test = X[0:100], X[100:], y[0:100], y[100:]# 取80%的样本作为训练数据
num_training = int(0.8 * len(X))
num_test = len(X) - num_training# 训练数据 80% reshape：(行数,列数)
# 行数：样本数
# 列数：特征数
X_train = np.array(X[:num_training]).reshape((num_training,1))
y_train = np.array(y[:num_training])# 测试数据 20%
X_test = np.array(X[num_training:]).reshape((num_test,1))
y_test = np.array(y[num_training:])