Python-Level5-day01:机器学习基本概念,几种数据预处理方法

一、人工智能课程概述

1. 什么是人工智能

人工智能（Artificial Intelligence）是计算机科学的一个分支学科，主要研究用计算机模拟人的思考方式和行为方式，从而在某些领域代替人进行工作.

2. 人工智能的学科体系

以下是人工智能学科体系图：

• 机器学习（Machine Learning）：人工智能的一个子学科，研究人工智能领域的基本算法、原理、思想方法，机器学习研究的内容在其它子学科都会用到

• 计算机视觉（Computer Vision）：研究计算机处理、识别、理解图像、视频的相关技术

• 自然语言处理（Natural Language Processing）：研究计算机理解人类自然语言的相关技术

• 语音处理：研究计算机理解识别、理解、合成语音的相关技术

3. 人工智能与传统软件的区别

• 传统软件：执行人的指令和想法，在执行之前人已经有了解决方案，无法超越人的思想和认识范围

• 人工智能：尝试突破人的思想和认识范围，让计算机学习到新的能力，尝试解决传统软件的难题

4. 课程介绍

1）课程内容

课程内容主要包括：

2）课程特点

• 内容多：包括机器学习、深度学习、计算机视觉、NLP、常用框架

• 难度大：学习难度较大，入门难、提高难、应用难

• 需要部分数学知识：记住结论、会调用API、能定性分析公式、初步的公式推导

• 需要反复学习：第一轮听懂主要内容、第二轮理解核心概念、第三轮熟悉代码编写、第四轮深入理解和应用

• 越学越深

3）学习方法

• 先听懂、重理解

• 先易后难，先听后写，先粗后细

• 跳过过难的知识点，抓大放小

• 多看不同作者的教材，多听不同老师的讲解

二、机器学习基本概念

1. 什么是机器学习

1975年图灵奖获得者、1978年诺贝尔经济学奖获得者、著名学者赫伯特.西蒙（Herbert Simon）曾下过一个定义：如果一个系统，能够通过执行某个过程，就此改进了它的性能，那么这个过程就是学习.由此可看出，学习的目的就是改善性能.

卡耐基梅隆大学机器学习和人工智能教授汤姆.米切尔（Tom Mitchell）在他的经典教材《机器学习》中，给出了更为具体的定义：对于某类任务（Task，简称T）和某项性能评价准则（Performance，简称P），如果一个计算机在程序T上，以P作为性能度量，随着经验（Experience，简称E）的积累，不断自我完善，那么我们称计算机程序从经验E中进行了学习.

例如，篮球运动员投篮训练过程：球员投篮（任务T），以准确率为性能度量（P），随着不断练习（经验E），准确率不断提高，这个过程称为学习.

2. 为什么需要机器学习

1）程序自我升级；

2）解决那些算法过于复杂，甚至没有已知算法的问题；

3）在机器学习的过程中，协助人类获得事物的洞见.

3. 机器学习的过程形式

1) 建模问题

所谓机器学习，在形式上可近似等同于在数据对象中通过统计、推理的方法，来寻找一个接受特定输入X，并给出预期输出Y功能函数f，即 Y = f(x). 这个函数以及确定函数的参数被称为模型.

2) 评估问题

针对已知的输入，函数给出的输出（预测值）与实际输出（目标值）之间存在一定误差，因此需要构建一个评估体系，根据误差大小判定函数的优劣.

3) 优化问题

学习的核心在与改善性能，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满足实际需求的最优解，这个过程就是机器学习.

4. 机器学习的分类（重点）

1) 有监督、无监督、半监督学习

a) 有监督学习

在已知数据输出（经过标注的）的情况下对模型进行训练，根据输出进行调整、优化的学习方式称为有监督学习.即提供数据集的时候也提供答案，大量试错纠错具有机器学习能力提升。分类就是有监督学习。

b) 无监督学习

没有已知输出的情况下，仅仅根据输入信息的相关性，进行类别的划分.即提供数据，不告诉你数据答案，聚类是无监督学习的主要形式。

c) 半监督

先通过无监督学习划分类别，再人工标记通过有监督学习方式来预测输出.例如先无监督对相似的水果进行聚类，再通过有监督进行分类.

d) 强化学习

通过对不同决策结果的奖励、惩罚，使机器学习系统在经过足够长时间的训练以后，越来越倾向于接近期望结果的方向输出.

2) 批量学习、增量学习

a) 批量学习

将学习过程和应用过程分开，用全部训练数据训练模型，然后再在应用场景中进行预测，当预测结果不够理想时，重新回到学习过程，然后应用，如此循环.

b) 增量学习

将学习过程和应用过程统一起来，在应用的同时，以增量的方式不断学习新的内容，边训练、边预测。实际基本很少运用增量学习。

3) 基于模型学习、基于实例学习

a) 基于模型的学习

根据样本数据，建立用于联系输出和输出的某种数学模型，将待预测输入带入该模型，预测其结果. 例如有如下输入输出关系。一行是一个样本，一列是一个特征。

输入（x）	输出（y）
1	2
2	4
3	6
4	8

根据数据，得到模型 y = 2x。即从数据中找出规律（即数学模型）叫模型学习。

预测：输入9时，输出是多少？

b) 基于实例的学习

根据以往经验，寻找与待预测输入最接近的样本，以其输出作为预测结果（从数据中心找答案）. 例如有如下一组数据：

学历(x1)	工作经验(x2)	性别(x3)	月薪(y)
本科	3	男	8000
硕士	2	女	10000
博士	2	男	15000

预测：本科，3，男 ==> 薪资？即从数据当中找答案叫基于实例学习。

5. 机器学习的一般过程(重点)

1. 数据收集，手段如手工采集、设备自动化采集、爬虫等

   数据来源：历史交易遗留数据（价值最高）

   爬虫互联网公开采集（价值不高）

   公开数据集，用于学习研究（价值低）

   购买数据（价值低）

   自己采集，如拍照等（价值高）

2. 数据清洗：数据规范、具有较大误差的、没有意义的数据进行清理（如统一度量等）或丢弃。

注：以上称之为数据处理，不是重点但要会。包括数据检索、数据挖掘、爬虫......

        3.选择模型（算法）

        4.训练模型

        5.模型评估

        6.测试模型（5 -6步可合二为一）

注：3~6步主要是机器学习过程与重点，包括算法、框架、工具等......

1. 应用模型

2. 模型维护升级优化

6. 机器学习的典型应用

1. 股价预测

2. 推荐引擎

3. 自然语言处理

4. 语音处理：语音识别、语音合成

5. 图像识别、人脸识别

6. ……

7. 机器学习的基本问题(重点)

1) 回归问题

根据已知的输入和输出，寻找某种性能最佳的模型，将未知输出的输入代入模型，得到连续的输出。特征过程：从数据中提取特征的过程，深度学习阶段就是机器自己提取特征 例如：

• 根据房屋面积、地段、修建年代以及其它条件预测房屋价格

• 根据各种外部条件预测某支股票的价格

• 根据农业、气象等数据预测粮食收成

• 计算两个人脸的相似度

2) 分类问题

根据已知的输入和输出，寻找性能最佳的模型，将未知输出的输入带入模型，得到离散的输出，例如：

• 手写体识别（10个类别分类问题）

• 水果、鲜花、动物识别

• 工业产品瑕疵检测（良品、次品二分类问题）

• 识别一个句子表达的情绪（正面、负面、中性）

3) 聚类问题

根据已知输入的相似程度，将其划分为不同的群落，例如：

• 根据一批麦粒的数据，判断哪些属于同一个品种

• 根据客户在电商网站的浏览和购买历史，判断哪些客户对某件商品感兴趣

• 判断哪些客户具有更高的相似度

4) 降维问题

在性能损失尽可能小的情况下，降低数据的复杂度，数据规模缩小都称为降维问题.

8. 机器学习课程内容

三、数据预处理

1. 数据预处理的目的

1）去除无效数据、不规范数据、错误数据

2）补齐缺失值

3）对数据范围、量纲、格式、类型进行统一化处理，更容易进行后续计算

2. 预处理方法

1）标准化（均值移除）

让样本矩阵中的每一列的平均值为0，标准差为1. 如有三个数a, b, c，则平均值为：

$$
m = (a + b + c) / 3 \\ a' = a - m \\ b' = b - m \\ c' = c - m
$$

预处理后的平均值为0（自证为0）：

$$
(a' + b' + c') / 3 =( (a + b + c) - 3m) / 3 = 0
$$

标准差公式：s = sqrt(((a - m)^2 + (b - m)^2 + (c - m)^2)/3)

标准化处理后我们得到数据：

a'' =a'/ s

b'' = b'/ s

c'' = c' / s

s'' = sqrt(((a' / s)^2 + (b' / s) ^ 2 + (c' / s) ^ 2) / 3)

=sqrt((a' ^ 2 + b' ^ 2 + c' ^ 2) / (3 *s ^2))

=1（自证为1）

标准差：又称均方差，是离均差平方的算术平均数的平方根，用σ表示 ，标准差能反映一个数据集的离散程度，不改变数据的性质。

代码示例：

"""
数据预处理：标准化(均值移除)
均值移除：调整数据分布，不改变数据性质。以列为处理单位
         处理后每列均值为0，标准差为1
​
"""
import numpy as np  # 处理数组用
import sklearn.preprocessing as sp  # 通用机器学习库的预处理模块
​
# 定义样本数据：这里是库里面的数组，而非列表，返回一个对象。
raw_samples = np.array(
    [[3.0, -1.0, 2.0],
     [0.0, 4.0, 3.0],
     [1.0, -4.0, 2.0]]
)
std_samples = raw_samples.copy()  # 复制数组，不对原数组产生影响
for col in std_samples.T:  # 遍历数组每列,其中.T表示转置
    col_mean = col.mean()  # 求每列均值 col_mean是一个元素
    col_std = col.std()  # 求每列标准差
    col -= col_mean  # 每个元素减去均值  col 是<class 'numpy.ndarray'>
    col /= col_std  # 每个元素除以标准差
print(std_samples)
print()
print(std_samples.mean(axis=0))  # 列方向求均值 均是0
print(std_samples.std(axis=0))  # 列方向求标准差 均是1

我们也可以通过sklearn提供sp.scale函数实现同样的功能，如下面代码所示：

std_samples = sp.scale(raw_samples) # 求标准移除
print(std_samples)
print(std_samples.mean(axis=0))
print(std_samples.std(axis=0))

2）范围缩放

将样本矩阵中的每一列最小值和最大值设定为相同的区间，统一各特征值的范围.如有a, b, c三个数，其中b为最小值，c ‘ 为最大值，则：

$$
a' = a - b
$$

$$
b' = b - b
$$

$$
c' = c - b
$$

缩放计算方式如下公式所示：

$$
a'' = a' / c'
$$

$$
b'' = b' / c'
$$

$$
c'' = c' / c'
$$

计算完成后，最小值为0，最大值为1.以下是一个范围缩放的示例.

"""
02_min_max_scale_demo.py
范围缩放示例:以列为单位
范围缩放：将每列最小值转换为0，最大值转换为1
"""
​
import numpy as np
import sklearn.preprocessing as sp
​
# 定义样本
raw_samples = np.array(
    [[1.0, 2.0, 3.0],
     [4.0, 5.0, 9.0],
     [7.0, 8.0, 11.0]]
)
mms_samples = raw_samples.copy()  # 复制数组
for col in mms_samples.T:  # 遍历每一列
    col_min = col.min()  # 求每列最小值
    col_max = col.max()  # 求每列最大值
    col -= col_min  # 减去最小值
    col /= (col_max - col_min)  # 除max-min
print(mms_samples)

我们也可以通过sklearn提供的对象实现同样的功能，如下面代码所示：

# 根据给定范围创建一个范围缩放器对象
mms = sp.MinMaxScaler(feature_range=(0, 1))# 定义对象(修改范围观察现象.默认也是0-1之间)
# 使用范围缩放器实现特征值范围缩放
mms_samples = mms.fit_transform(raw_samples) # 缩放
print(mms_samples)

执行结果：

[[0.   0.   0.  ]
 [0.5  0.5  0.75]
 [1.   1.   1.  ]]

3）归一化

反映样本所占比率.用每个样本的每个特征值，除以该样本各个特征值绝对值之和.变换后的样本矩阵，每个样本的特征值绝对值之和为1.例如如下反映编程语言热度的样本中，2018年也2017年比较，Python开发人员数量减少了2万，但是所占比率确上升了：反应数据此消彼长的变化。

年份	Python（万人）	Java（万人）	PHP（万人）
2017	10	20	5
2018	8	10	1

归一化预处理示例代码如下所示：

"""
03_normalize_demo.py
归一化示例
归一化：将每行数值转换为百分比(0~1)，更好反应
       出数据占比的变化
"""
import numpy as np
import sklearn.preprocessing as sp
​
# 定义样本
raw_samples = np.array(
    [[10.0, 20.0, 5.0],
     [8.0, 10.0, 1.0]]
)
nor_samples = raw_samples.copy()  # 复制数组
for row in nor_samples:  # 遍历每行
    row /= abs(row).sum()  # 每个数字除以绝对值之和
print(nor_samples)
​
print("利用系统提供的API实现")
nor_samples = sp.normalize(raw_samples, norm="l1")
print(nor_samples)

在sklearn库中，可以调用sp.normalize()函数进行归一化处理，函数原型为：

sp.normalize(原始样本, norm='l2')
# l1: l1范数，除以向量中各元素绝对值之和
# l2: l2范数，除以向量中各元素平方之和

使用sklearn库中归一化处理代码如下所指示：

nor_samples = sp.normalize(raw_samples, norm='l1')
print(nor_samples) # 打印结果

4）二值化

根据一个事先给定的阈值，用0和1来表示特征值是否超过阈值.如考试及格判断。以下是实现二值化预处理的代码：

"""
04_binary_demo.py
二值化处理示例
二值化：将所有元素转换为两个相对的值中的一个
       可以是0/1, -1/1等
"""
import numpy as np
import sklearn.preprocessing as sp
​
# 定义样本
raw_samples = np.array([[65.5, 89.0, 73.0],
                        [55.0, 99.0, 98.5],
                        [45.0, 22.5, 60.0]])
bin_samples = raw_samples.copy()  # 复制数组
# 生成掩码
mask1 = bin_samples < 60  # 小于60的元素返回True
mask2 = bin_samples >= 60  # 大于等于60的元素返回True
print(mask1)  # 打印数组
print(mask2)  # 打印数组
​
# 掩码计算进行二值化
bin_samples[mask1] = 0  # mask1中为True的元素设为0
bin_samples[mask2] = 1  # mask2中为True的元素设为1
print(bin_samples)

同样，也可以利用sklearn库来处理：

bin = sp.Binarizer(threshold=59) # 创建二值化对象(注意边界值)
bin_samples = bin.transform(raw_samples) # 二值化预处理
print(bin_samples)

二值化编码会导致信息损失，是不可逆的数值转换.如果进行可逆转换，则需要用到独热编码.

5）独热编码

根据一个特征中值的个数来建立一个由一个1和若干个0组成的序列，用来序列对所有的特征值进行编码.例如有如下样本：

$$
\left[ \begin{matrix} 1 & 3 & 2\\ 7 & 5 & 4\\ 1 & 8 & 6\\ 7 & 3 & 9\\ \end{matrix} \right]
$$

对于第一列，有两个值，1使用10编码，7使用01编码

对于第二列，有三个值，3使用100编码，5使用010编码，8使用001编码

对于第三列，有四个值，2使用1000编码，4使用0100编码，6使用0010编码，9使用0001编码

编码字段，根据特征值的个数来进行编码，通过位置加以区分.通过独热编码后的结果为：

$$
\left[ \begin{matrix} 10 & 100 & 1000\\ 01 & 010 & 0100\\ 10 & 001 & 0010\\ 01 & 100 & 0001\\ \end{matrix} \right]
$$

使用sklearn库提供的功能进行独热编码的代码如下所示：

"""
05_one_hot_demo.py
独热编码示例
独热编码：将每个特征值转换为由一个1和一串0表示的
         形式，在某些情况计算更方便
"""
import numpy as np
import sklearn.preprocessing as sp
​
raw_samples = np.array([[1, 3, 2],
                        [7, 5, 4],
                        [1, 8, 6],
                        [7, 3, 9]])
encoder = sp.OneHotEncoder(
    sparse=False,  # 是否采用稀疏格式
    dtype="int32",  # 元素类型
    categories="auto")  # 自动产生编码值
# 编码
oh_samples = encoder.fit_transform(raw_samples)
print(oh_samples)
# 解码
print(encoder.inverse_transform(oh_samples))

执行结果：

[[1 0 1 0 0 1 0 0 0]
 [0 1 0 1 0 0 1 0 0]
 [1 0 0 0 1 0 0 1 0]
 [0 1 1 0 0 0 0 0 1]]
 
[[1 3 2]
 [7 5 4]
 [1 8 6]
 [7 3 9]]

6）标签编码

根据字符串形式的特征值在特征序列中的位置，来为其指定一个数字标签，用于提供给基于数值算法的学习模型.与独热编码一样，皆可以编码解码可逆过程。代码如下所示：

# 标签编码
import numpy as np
import sklearn.preprocessing as sp
​
raw_samples = np.array(['audi', 'ford', 'audi',
                        'bmw','ford', 'bmw'])
​
lb_encoder = sp.LabelEncoder() # 定义标签编码对象
lb_samples = lb_encoder.fit_transform(raw_samples) # 执行标签编码
print(lb_samples)
​
print(lb_encoder.inverse_transform(lb_samples)) # 逆向转换

执行结果：

[0 2 0 1 2 1]
['audi' 'ford' 'audi' 'bmw' 'ford' 'bmw']

四、练习

1）判断以下哪个是回归问题，哪个是分类问题，哪个是聚类问题：

• 判断一封邮件是否为垃圾邮件（分类）

• 在图像上检测出人脸的位置（回归）

• 视频网站根据用户观看记录，找出喜欢看战争电影的用户（聚类）

2）分类和聚类主要区别是什么？（分类是有监督学习要标注数据，聚类是无监督学习不要标注数据）

3）判断以下哪些是数据降维问题

• 将8*8的矩阵缩小为4*4的矩阵（是）

• 将二维矩阵变形为一维向量（是）

• 将高次方程模型转换为低次方程模型（是）

4）说出以下编码格式属于哪种预处理方式（独热）

减肥：[1, 0, 0, 0, 0]
增重：[0, 1, 0, 0, 0]
瘦身：[0, 0, 1, 0, 0]
减脂：[0, 0, 0, 1, 0]
塑形：[0, 0, 0, 0, 1]

5）说出以下数据处理属于哪种预处理方式（二值化）

原始数据：
[[0, 150, 200],
 [1, 180, 223],
 [2, 190, 255]]
 
转换后的数据：
[[0, 0, 255],
 [0, 0, 255],
 [0, 0, 255]]