特征工程,数据集处理

特征降维

低方差过滤

方差低的特征，可能没有分类的价值。API：VarianceThreshold进行低方差特征过滤。

from sklearn.feature_selection import VarianceThreshold
def VT():
    #将方差低于阈值的特征进行过滤
    Vt = VarianceThreshold(threshold= 0)
    data = Vt.fit_transform([[0,2,0,3],[0,1,4,3],[0,1,1,3]])
    print(data)
    return None

PCA主成分分析

目的：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。
高维度数据容易出现的问题：特征之间通常是线性相关的。
降维原理：先将每一列均值去平均值，然后计算协方差矩阵的特征向量，根据特征向量的特征值进行排序，选择目标维数的特征向量组成矩阵与原特征矩阵相乘，得到目标矩阵。

from sklearn.decomposition import PCA
def PCA():
    #参数n_components代表着两种；小数表示信息量保留的多少，整数表示降维后的特征数据维数
    #降维原理：先将每一列均值去平均值，然后计算协方差矩阵的特征向量，根据特征向量的特征值进行排序，选择目标维数的特征向量组成矩阵与原特征矩阵相乘，得到目标矩阵
    pca = PCA(n_components= 0.9)
    data =pca.fit_transform([[2,8,4,5],[6,3,0,8],[5,4,9,1]])
    print(data)
    return None

数据集处理

数据集划分

机器学习的数据分为训练集和测试集，训练集用于构建模型，测试集用于评估模型是否有效。
数据集划分API：sklearn.model_selection.train_test_split()，函数的返回值是固定的，x_train,x_test,y_train,y_test。
加载数据API: sklearn.datasets。加载后数据集包含：data,target,DESCR,feature_names,target_names。

from sklearn.datasets import load_iris,fetch_20newsgroups,load_boston
from sklearn.model_selection import train_test_split


li = load_iris()
#分类小型数据集
#第一个参数是特征值，第二个是目标值，第三个是测试集比例
#注意返回值 先返回特征值，在返回目标值，固定顺序
x_train,x_test,y_train,y_test =  train_test_split(li.data,li.target,test_size=0.25)
print('训练集目标值和特征值：',x_train,y_train)

#分类大型数据集
#subset参数表示数据集中的数据可以选‘train'，’test',‘all'
#news = fetch_20newsgroups(subset='all')
#print(news.data)

#回归小型数据集
boston = load_boston()
print(boston.target)

转换器和估计器

在sklearn中，估计器(estimator)是一个重要的角色，分类器和回归器都属于estimator，是一类实现了算法的API。转换器是Transform。