第一步:导入需要的库
这两个是我们需要导入的库,Numpy包含数学计算函数,Pandas用于导入和管理数据集。
第二步:导入数据集
数据集通常是.csv格式,CSV文件以文本形式保存表格数据。文件的每一行是一条数据记录。我们使用Pandas的read_csv()方法读取本地csv文件为一个数据帧。然后,从数据帧中制作自变量和因变量的矩阵和向量。
第三步:处理丢失数据
我们得到的数据很少是完整的,数据可能因为各种原因丢失。为了不降低机器学习模型的性能,需要处理数据。通常可以采用整列的平均值或中间值替换丢失的数据。我们使用sklearn.preprocessing库中的Imputer类完成这步操作。
第四步:解析分类数据
分类数据指的是含有标签值而不是数字值的变量。取值范围通常是固定的。例如“Yes”和“No”不能用于模型的数学计算,所以需要解析成数字。为实现这一功能,我们从sklearn.preprocessing库中导入LabelEncoder类。
第五步:拆分数据集为训练集合和测试集合
把数据集拆分成两个:一个是用来训练模型的训练集合,另一个是用来验证模型的测试集合。两者的比例一般是80:20。我们导入sklearn.crossvalidation库中的train_test_split()方法。
第六步:特征缩放
大部分模型算法使用两点之间的欧几里得距离表示,但此特征在幅度、单位和范围姿态问题上变化很大。在距离计算中,高幅度的特征比低幅度特征权重更大。可用特征标准化或Z值归一化解决。导入sklearn.preprocessing库中的StandardScalar类。
关注公众号获取更多机器学习相关知识: