机器学习第三天

特征工程的内容

• 特征提取 ：从原始数据中提取与任务相关的特征

• 特征预处理 ：特征对模型产生影响；因量纲问题，有些特征对模型影响大、有些影响小

• 特征降维：将原始数据的维度降低，叫做特征降维

• 特征选择 ：把多个的特征合并成一个特征。一般利用乘法或加法来完成

特征预处理

要做到归一化和标准化：

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，使得一些模型（算法）无法学习到其它的特征。

归一化：通过对原始数据进行变换把数据映射到【mi,mx】(默认为[0,1])之间

例子：

           /\                                                        /\

           ||                                                        ||

【min和max都是在一列之中做比较】  mi和mx也是

公式：{[(x-min)*(mx-mi)]/(max-min)}+mi

 课堂例子实现：

import numpy as np
from sklearn.preprocessing import MinMaxScaler
def dm01_MinMaxScaler():
    data = [[90, 2, 10, 40],
            [60, 4, 15, 45],
            [75, 3, 13, 46]]
# 2. 初始化归一化对象
    transformer = MinMaxScaler()
# 3. 对原始特征进行变换
    data = transformer.fit_transform(data)
# 4. 打印归一化后的结果
    print(data)
#调用函数
dm01_MinMaxScaler()

结果为

[[1.         0.         0.         0.        ]
 [0.         1.         1.         0.83333333]
 [0.5        0.5        0.6        1.        ]]

 还有一个鸢尾花分类之后会补充