机器学习（5）：机器学习项目步骤（二）——收集数据与预处理

1. 数据收集与预处理的任务？

为机器学习模型提供好的“燃料”

2. 数据收集与预处理的分步骤？

收集数据-->数据可视化-->数据清洗-->特征工程-->构建特征集和数据集-->拆分数据集、验证集和测试集

3. 数据可视化工作？

a. 作用：通过可视化观察一下数据，为选择具体的机器学习模型找找感觉。

b. 具体应用：

• 可以看一看特征和标签之间可能存在的关系

• 也可以看看数据里有没有“脏数据”和“离群点”

c. 可视化工具：Matplotlib，Seaborn

• 散点图：验证线性关系

 plt.plot(df_ads['点赞数'],df_ads['浏览量'],'r.', label='Training data') # 用matplotlib.pyplot的plot方法显示散点图
 plt.xlabel('点赞数') # x轴Label
 plt.ylabel('浏览量') # y轴Label
 plt.legend() # 显示图例
 plt.show() # 显示绘图结果！

• 箱线图：检查数据集是否有“离群点”.(选择了“热度指数”特征)

 data = pd.concat([df_ads['浏览量'], df_ads['热度指数']], axis=1) # 浏览量和热度指数
 fig = sns.boxplot(x='热度指数', y="浏览量", data=data) # 用seaborn的箱线图画图
 fig.axis(ymin=0, ymax=800000); #设定y轴坐标、

4. 数据清洗工作的任务？

清洗数据的4种情况：

• 处理缺失值的数据

• 处理重复值的数据

• 处理错误的数据

• 处理不可用的数据

5. 特征工程

• 以 BMI 特征工程为例，它降低了特征数据集的维度。维度就是数据集特征的个数。

• 要知道，在数据集中，每多一个特征，模型拟合时的特征空间就更大，运算量也就更大。

• 摒弃掉冗余的特征、降低特征的维度，能使机器学习模型训练得更快。

6. 构建特征集和数据集

X=df.drop('浏览量',axis=1)
Y=df['浏览量']
print(X.head())
print(Y.head())

7. 拆分训练集、验证集和测试集

具体的拆分，我们会用机器学习工具包 scikit-learn 里的数据集拆分工具 train_test_split 来完成。

虽然是随机分割，但我们要指定一个 random_state 值，这样就保证程序每次运行都分割一样的训练集和测试集。

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(X,Y,test_size=0.2,random_state=0)