机器学习数据集

机器学习数据：文件csv

mysql：1、性能瓶颈，读取速度；2、格式不太符合机器学习要求
pandas：读取工具，基于numpy，读取速度较快，释放GIL锁实现真正的多线程
可用数据集：kaggle、UCI、scikit-learn
数据集结构：特征值+目标值
机器学习：重复值不需要进行去重
特征工程：将原始数据转换为能更好的代表预测模型的潜在问题的特征的过程，从而提高对未知数据预测的准确性
scikit-learn库：python语言机器学习工具
特征值化：sklean特征抽取，sklearn.feature_extraction
one-hot编码

特征预处理

1.归一化：特征同等重要时，进行归一化，防止数据过大对结果造成影响
x’ = (x-min)/max-min)
x’’ = x’ * (mx-mi) + mi*
mx为1，mi为0
sklearn API
2.标准化
x’ = (x-mean)/d
方差：var = (x1-mean)*2 + (x2-mean)*2+…+(xn-mean)*2 / n
var越大越离散，越小越聚集
样本足够多的情况下，比较稳定
3.缺失值处理：一般进行插补，很少删除，按照特征填充，sklearn中imputer

数据降维

降维：在此指特征的数量，减少特征
特征选择：1.过滤式，从方差大小考虑特征选择，variaceThreshold
2.嵌入式，正则化、决策树
3.包裹式
主成分分析：PCA，特征数量达到上百个时，考虑数据的简化，数据也会变化
PCA(n_components:小数)，通常是90%-95%是最好的
分析过程：1.明确目的；2.合并各表，pd.merge(表1，表2，on=[关联字段])；3.简历行列数据，交叉表（特殊的分组表）