1.数据预处理
1.无量纲化处理
(1)若数据服从正态分布,则将输出处理为,服从标准正态分布。
(2)数据归一化
2.独热编码与哑编码
(1)独热编码
苹果{1, 0, 0, 0}
梨子{0, 1, 0, 0}
香蕉{0, 0, 1, 0}
芒果{0, 0, 0, 1}
(2) 哑编码
苹果{1, 0, 0}
梨子{0, 1, 0}
香蕉{0, 0, 1}
芒果{0, 0, 0}
注:哑编码与独热编码的区别在于哑编码去除了任意一个状态位
3.缺失值补充
(1)舍弃
(2)临近值填充
(3)均值填充
(4)插值算法
2.特征选择
1.方差选择法:若某一特征数值变化平缓,其对结果的影响也较小。
2.相关系数:衡量特征间相关性
3.互信息法
4.机器学习
例:随机森林算法可得到特征重要性评估
3.特征降维
1.PCA Principal Component Analysis主成分分析
通过PCA可将原始特征映射到新的空间,是得到的向量具有最大不相关性,PCA为无监督算法
2.LDA Linear Discriminant Analysis 线性判别分析
LDA使特征在新的子空间具有最大类间距离,最小类内距离,LDA为有监督算法
3.局部线性嵌入 Locally Linear Enbedding
LLE认为每个数据都可以通过其近邻加权得到
4.特征构造
根据项目属性,数据特点自行构造出可能重要的特征。