在当今社会的潮流下,机器学习,深度学习等已经得到了深层次的运用,为了巩固学习效果,也方便寻找代码等,我将学习机器学习的一些感悟等进行总结。
数据预处理
1.我们需要引入两个库,numpy和pandas。
numpy包含数学计算,矩阵数组等。
pandas则用来导入,读取,管理数据。
import numpy as np
import pandas as pd
2.导入数据集
收据集一般是.csv的格式,以文本的形式保存数据,一行为记录的一个数据。我们使用pandas库导入读取文件数据。
dataset = pd.read_csv('Data.csv')//读取csv文件
3.将数据转化成矩阵形式
在后续的计算中,我们需要以矩阵或向量的形式来进行加工,预测等工作,故必须将数据转化成相应的格式。
我们使用dataset.iloc命令完成
X = dataset.iloc[ : , :3].values//读取其全部行,0至3列
Y = dataset.iloc[ 4 , 4].values //读取第4行,第4列。
4.处理丢失的数据
数据可能因为各种原因而丢失,为了提高机器学习的准确性,我们需要对数据进行处理,我们可以使用平均值或中间值来代替。
我们将引入sklearn.preprocessing库中的imputer来完成任务。
from sklearn.preprocessing import Imputer
imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
imputer = imputer.fit(X[ : , 1:3])
X[ : , 1:3] = imputer.transform(X[ : , 1:3])
5.解析分类数据
我们需要将数据的文字类型,如yes或no,分类成数字类型,以供计算。
我们将引用sklearn.preprocessing库中的 LabelEncoder来完成工作。
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X = LabelEncoder()
X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])
后创建虚拟变量
onehotencoder = OneHotEncoder(categorical_features = [0])
X = onehotencoder.fit_transform(X).toarray()
labelencoder_Y = LabelEncoder()
Y = labelencoder_Y.fit_transform(Y)
6.拆分数据集为训练集合和测试集合
将数据拆分成用于训练模型的数据集和用于验证对比的数据集。比例一般为80:20.我们将使用sklearn.cross_validation库中的train_test_split完成工作。
from sklearn.cross_validation import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)
7.特征量化(特征缩放)
大部分的算法都使用两点间的欧氏距离来表示,但此特征有时变化很大,故我们可以对其进行特征标准化。
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)