声明:版权所有,转载请联系作者并注明出处 http://blog.csdn.net/u013719780?viewmode=contents
博主简介:风雪夜归子(英文名: Allen),机器学习算法攻城狮,喜爱钻研Machine Learning的黑科技,对Deep Learning和Artificial Intelligence充满兴趣,经常关注kaggle数据挖掘竞赛平台,对数据、Machine Learning和Artificial Intelligence有兴趣的各位童鞋可以一起探讨哦,个人CSDN博客: http://blog.csdn.net/u013719780?viewmode=contents
用阈值创建二元特征
在前一个主题,我们介绍了数据转换成标准正态分布的方法。现在,我们看看另一种完全不同的转换方法。
当不需要呈标准化分布的数据时,我们可以不处理它们直接使用;但是,如果有足够理由,直接使用也许是聪明的做法。通常,尤其是处理连续数据时,可以通过建立二元特征来分割数据。
Getting ready
通常建立二元特征是非常有用的方法,不过要格外小心。我们还是用boston
数据集来学习如何创建二元特征。
首先,加载boston
数据集:
from sklearn import datasets
boston = datasets.load_boston()
import numpy as np
How to do it...
与标准化处理类似,scikit-learn有两种方法二元特征:
preprocessing.binarize
(一个函数)preprocessing.Binarizer
(一个类)
boston
数据集的因变量是房子的价格中位数(单位:千美元)。这个数据集适合测试回归和其他连续型预测算法,但是假如现在我们想预测一座房子的价格是否高于总体均值。要解决这个问题,我们需要创建一个均值的阈值。如果一个值比均值大,则为1
;否则,则为0
:
from sklearn import preprocessing
new_target = preprocessing.binarize(boston.target, threshold=boston.target.mean())
new_target[0,:5]
很容易,让我们检查一下:
(boston.target[:5] > boston.target.mean()).astype(int)
既然Numpy已经很简单了,为什么还要用scikit-learn的函数呢?管道命令,将在用管道命令联接多个预处理步骤一节中介绍,会解释这个问题;要用管道命令就要用Binarizer
类:
bin = preprocessing.Binarizer(boston.target.mean())
new_target = bin.fit_transform(boston.target)
new_target[0,:5]
How it works...
方法看着非常简单;其实scikit-learn在底层创建一个检测层,如果被监测的值比阈值大就返回Ture
。然后把满足条件的值更新为1
,不满足条件的更新为0
。
There's more...
让我们再介绍一些稀疏矩阵和fit
方法的知识。
稀疏矩阵
稀疏矩阵的0
是不被存储的;这样可以节省很多空间。这就为binarizer
造成了问题,需要指定阈值参数threshold
不小于0
来解决,如果threshold
小于0
就会出现错误:
from scipy.sparse import coo
spar = coo.coo_matrix(np.random.binomial(1, .25, 100))
preprocessing.binarize(spar, threshold=-1)
fit
方法
binarizer
类里面有fit
方法,但是它只是通用接口,并没有实际的拟合操作,仅返回对象。