数据集
1. 可用数据集
Kaggle网址:https://www.kaggle.com/datasets
UCI数据集网址: http://archive.ics.uci.edu/ml/
scikit-learn网址:http://scikit-learn.org/stable/datasets/index.html#datasets
2. sklearn
-
小数据集datasets.load_*():
sklearn.datasets.load_iris() 加载并返回鸢尾花数据集 sklearn.datasets.load_boston() 加载并返回波士顿房价数据集
-
大数据集datasets.fetch_*(data_home=None):
sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)
subset:‘train’或者’test’,‘all’,可选,选择要加载的数据集。
训练集的“训练”,测试集的“测试”,两者的“全部”
data_home,表示数据集下载的目录,默认是 ~/scikit_learn_data/ -
sklearn数据集的使用
sklearn数据集返回值介绍:
load和fetch返回的数据类型datasets.base.Bunch(字典格式)
- data:特征数据数组,是 [n_samples * n_features] 的二维 numpy.ndarray 数组
- target:标签数组,是 n_samples 的一维numpy.ndarray 数组
- DESCR:数据描述
- feature_names:特征名,新闻数据,手写数字、回归数据集没有
- target_names:标签名
3. 数据集的划分
机器学习一般的数据集会划分为两个部分:
- 训练数据:用于训练,构建模型
- 测试数据:在模型检验时使用,用于评估模型是否有效
划分比例:
- 训练集:70% 80% 75%
- 测试集:30% 20% 30%
数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。
4. 特征工程
特征工程是使用专业背景知识和技巧处理数据,使得特征能在机器学习算法上发挥更好的作用的过程。
pandas:一个数据读取非常方便以及基本的处理格式的工具
sklearn:对于特征的处理提供了强大的接口
特征工程包含内容:
特征提取
特征预处理
特征降维
4.1 特征抽取
将任意数据(如文本或图像)转换为可用于机器学习的数字特征
字典特征提取(特征离散化)
文本特征提取
图像特征提取(深度学习将介绍)
字典特征提取
sklearn.feature_extraction.DictVectorizer(sparse=True,…)
应用场景
数据集中类别特征比较多或者本身拿到的数据就是字典类型
文本特征提取
sklearn.feature_extraction.text.CountVectorizer(stop_words=[])
应用场景
统计样本出现的个数
中文文本特征抽取
jieba.cut()
返回词语组成的生成器
Tf-idf文本特征提取
sklearn.feature_extraction.text.TfidfVectorizer(stop_words=None,....)
TF-IDF的主要思想是:如果某个词或短语在一篇文章中出现的概率高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。
词频(term frequency,tf)指的是某一个给定的词语在该文件中出现的频率
逆向文档频率(inverse document frequency,idf)是一个词语普遍重要性的度量。某一特定词语的idf,可以由总文件数目除以包含该词语之文件的数目,再将得到的商取以10为底的对数得到
注:假如一篇文件的总词语数是100个,而词语"非常"出现了5次,那么"非常"一词在该文件中的词频就是5/100=0.05。而计算文件频率(IDF)的方法是以文件集的文件总数,除以出现"非常"一词的文件数。所以,如果"非常"一词在1,000份文件出现过,而文件总数是10,000,000份的话,其逆向文件频率就是lg(10,000,000 / 1,0000)=3。最后"非常"对于这篇文档的tf-idf的分数为0.05 * 3=0.15
4.2 特征预处理
数值型数据的无量纲化:归一化、标准化
特征预处理API
sklearn.preprocessing
为什么我们要进行归一化/标准化?
特征的单位或者大小相差较大,或者某特征的方差相比其他的特征要大出几个数量级,容易影响(支配)目标结果,使得一些算法无法学习到其它的特征
无量纲化,使不同规格的数据转换到同一规格
4.2.1 归一化
sklearn.preprocessing.MinMaxScaler (feature_range=(0,1)… )
4.2.2 标准化
sklearn.preprocessing.StandardScaler( )
4.3 特征降维
降维是指在某些限定条件下,降低随机变量(特征)个数,得到一组“不相关”主变量的过程
降维的两种方式
特征选择
主成分分析(可以理解一种特征提取的方式)
4.3.1 特征选择
定义:数据中包含冗余或无关变量(或称特征、属性、指标等),旨在从原有特征中找出主要特征。
方法:
1.Filter(过滤式):主要探究特征本身特点、特征与特征和目标值之间关联
方差选择法:低方差特征过滤
相关系数----特征与特征之间的相关程度
皮尔逊相关系数
2.Embedded (嵌入式):算法自动选择特征(特征与目标值之间的关联)
决策树:信息熵、信息增益
正则化:L1、L2
深度学习:卷积等
sklearn.feature_selection
-
低方差特征过滤
删除低方差的一些特征
特征方差小:某个特征大多样本的值比较相近 特征方差大:某个特征很多样本的值都有差别 sklearn.feature_selection.VarianceThreshold(threshold = 0.0)
-
皮尔逊相关系数(Pearson Correlation Coefficient)
相关系数的值介于–1与+1之间,即–1≤ r ≤+1。其性质如下: 当r>0时,表示两变量正相关,r<0时,两变量为负相关 当|r|=1时,表示两变量为完全相关,当r=0时,表示两变量间无相关关系 当0<|r|<1时,表示两变量存在一定程度的相关。且|r|越接近1,两变量间线性关系越密切;|r|越接近于0,表示两变量的线性相关越弱 一般可按三级划分:|r|<0.4为低度相关;0.4≤|r|<0.7为显著性相关;0.7≤|r|<1为高度线性相关 from scipy.stats import pearsonr 特征和特征相关性很高: 特征选择、加权求和一个新特征、主成分分析
-
主成分分析(PCA)
定义:高维数据转化为低维数据的过程,在此过程中可能会舍弃原有数据、创造新的变量
作用:是数据维数压缩,尽可能降低原数据的维数(复杂度),损失少量信息。
应用:回归分析或者聚类分析当中sklearn.decomposition.PCA(n_components=None)