机器学习在训练模型前,需要将特征进行预处理使其规范化,易于,本文主要讲几种常见的数据预处理方式;
标准化(z-Score)
公式为(X-mean)/std,将特征转化为均值为0,方差为1的数据;
可以用`sklearn.prepocessing.scale()``函数和sklearn.proprocessing.StandardScaler()类实现,使用StandardScaler()可以使测试集合训练集使用相同的参数进行转换
最小最大规范化
通过(x-min)/(max-min)将数据转化到[0-1]之间,通过sklearn.proprocessing.MinMaxScaler()转化
归一化
基于参数或者距离的模型都要进行特征归一化;通过L1 norm或L2norm将值映射到[0-1]之间,使用sklearn.proprocessing.normalize(x, norm=' ')转化,如果norm选L2,则特征值的平方和加起来等于1,选L1,是特征值的绝对值之和等于1;
概率模型(例如决策树)不需要归一化,因为他们不关心变量的值,只是关心变量分布和变量之间的条件概率;
二值化
给定阈值,将特征转化为0或1,使用sklearn.preprocessing.Binarizer(threshold= )进行转化;
标签二值化
将标称型数值转化为0、1...等数值型,输入为1-D array,可以对字符串进行编码,可以用sklearn.preprocessing.Binarizer()进行转化,作用等于labelEncoder之后OneHotEncoder,但因为只接受一维输入,只能一次对一个特征进行转化;
标签编码(定量特征)
对不连续的数值或文本进行编号,转化成连续的数值型变量,输入为1-D array,使用sklearn.preprocessing.LabelEncoder进行转化,
类别特征编码(定性特征)
对类别特征进行one-hot编码,特征就多少个值就新增多少个维度来表示;使用sklearn.preprocessing.OneHotEncoder()进行转换,它接收2-D array的输入,不能直接对字符串进行转化,如果是字符串类型的话,需要经过LabelEncoder()转化为数值型,再经过OneHotEncoder()进行独热编码;
也可以使用pandas.get_dummies() 进行转化,它可以接受字符串类型的输入,转化后比OneHotEncoder少一维度;但是get_dummies()因为没有transform函数,所以当测试集中出现测试集中未出现的特征值会报错;
但是当类别特征很多时,独热编码会使特征空间变得非常大,这时可以结合PCA进行降维;
原文出处:https://blog.csdn.net/github_38980969/article/details/80909254
共同学习,写下你的评论
评论加载中...
作者其他优质文章