特征工程
工程中的数据挖掘用到的数据很少拥有干净的特征矩阵——很多特征的取值是非数值的,这些特征不能直接被计算机直接用于计算。因此,机器学习实践中更重要的步骤之一是特征工程——找到与问题有关的任何信息,把它们转换成特征矩阵的数值。
分类特征
一种常见的非数值特征是分类数据。例如,浏览房屋数据的时候,除了看到“房价”(price)和“面积”(square)之类的数值特征,还会有“地点”(neighborhood)信息,数据可能像这样:
data = [
{
'price':85000, 'rooms':4, 'neighborhood':'Queen Anne'},
{
'price':70000, 'rooms':3, 'neighborhood':'Fremont'},
{
'price':65000, 'rooms':3, 'neighborhood':'Wallingford'},
{
'price':60000, 'rooms':2, 'neighborhood':'Fremont'}
]
对于上面的“地点”特征,常用的编码方式是独热编码(OneHot),它可以有效增加额外的列,让0和1出现在对应的列分别表示每个分类值有或无。这个过程可以由Scikit-Learn的DictVectorizer实现
from sklearn.feature_extraction import DictVectorizer
#当sparse参数为True时,表示编码结果使用稀疏矩阵进行存储,这主要是为了应对处理具有很多枚举值的特征时