[机器学习]-[数据预处理]-中心化缩放 KNN（二）

最新推荐文章于 2024-05-22 01:49:41 发布

weixin_30881367

最新推荐文章于 2024-05-22 01:49:41 发布

阅读量296

点赞数

文章标签：人工智能 python

原文链接：http://www.cnblogs.com/BoyceYang/p/8372999.html

版权

上次我们使用精度评估得到的成绩是 61%，成绩并不理想，再使 recall 和 f1 看下成绩如何？

首先我们先了解一下召回率和 f1。

真实结果	预测结果	预测结果
	正例	反例
正例	TP 真正例	FN 假反例
反例	FP 假正例	TN 真反例

召回率：TP/(TP+FN)

f1:2TP/(2TP+FN+FP)

我们使用scikit-learn的分类报告来查看各种其他指标：

现在我们来介绍一下缩放和中心化，他们是预处理数值数据最基本的方法，接下来，看看它们是否对模型有影响，以及怎样的影响。

预处理的机制：缩放和中心化

在运行模型（如回归（预测连续变量）或分类（预测离散变量））之前，我们还是需要对数据进行一些预处理。对于数值变量，规范化或标准化数据是很常见的。这些术语是什么意思？

规范化手段就是缩放数据集，使其数据取值的范围压缩到0,1。我们的做法就是转换每个数据点：规范化结果=（数据点-数据最小值）/（数据最大值-数据最小值）。

标准化则略有不同，它的最终结果就是将数据集中在0左右，并按照标准偏差进行缩放：标准化结果=（数据点-均值）/标准差。

有一点需要强调，这些转换只是改变了数据的范围而不是分布。当然，你也可以根据自己的需要使用其他的转换方式（如对数转换换或正太转换）来达到数据的高斯分布形式（如钟形曲线）。

现在我们思考几个重要的问题：

为什么我们要调整数据？
什么时机处理更合适？
分类问题和回归问题哪个更重要？

下面我们就具体看下缩放对 KNN 的影响。

预处理：缩放的预处理

下面是我们的处理步骤

缩放数据
使用 KNN
查看模型结果

使用scikit-learn的缩放函数，它会将传给它的数组中所有的特征（列）标准化。

通过上面的处理之后提高了0.1，这就说明预处理的很成功，同时也说明预处理很重要！！！如上所述，在缩放之前，存在许多具有不同数量级范围的预测变量，这意味着它们中的某一个或几个可能在，如 KNN 算法处理中占主导地位。缩放数据的一般是基于以下两个原因：

预测变量可能有明显不同的范围，并且在某些情况下（例如使用 KNN），需要削弱某些特征对算法的主导;
功能与单位无关，即不依赖于所涉及的规模：例如，我使用米来表示测量的特征，你使用厘米来表示相同的特征。如果我们都缩放各自的数据，那么，这个特征对我们每个人都是一样的。

到目前位置，我们已经了解了缩放和中心化在整个机器学习中的基本位置，我们这样做主要的目的就是提高机器学习的学习能力。我希望后续，我能和大家分享一些其他类型的预处理。在进入这个之前，在下一篇文章中，我将探讨缩放在回归分类方法中的作用。

最后，有兴趣的同学可以自行设置 KNN 的 n_neighbors 变量，然后观察一下 n_neighbors 对机器学习的影响。

代码：

import pandas as pd
%matplotlib inline
import matplotlib.pyplot as plt
#from sklearn.cross_validation import train_test_split
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn import neighbors, linear_model

plt.style.use('ggplot')
df = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv ' , sep = ';')

# 删除目标结果
X = df.drop('quality' , 1).values
y1 = df['quality'].values
pd.DataFrame.hist(df, figsize = [15,15]);

df.describe()

# 使用 5 作为边界进行分类
y = y1 <= 5

# 原始目标结果和二分类之后的目标结果
plt.figure(figsize=(20,5));
plt.subplot(1, 2, 1 );
plt.hist(y1);
plt.xlabel('original target value')
plt.ylabel('count')
plt.subplot(1, 2, 2);
plt.hist(y)
plt.xlabel('two-category target value')
plt.show()

# 切分测试数据与训练数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

knn = neighbors.KNeighborsClassifier(n_neighbors = 5)
knn_model_1 = knn.fit(X_train, y_train)
print('k-NN accuracy: {}'.format(knn_model_1.score(X_test, y_test)))

# 其他评估评分
y_true, y_pred = y_test, knn_model_1.predict(X_test)
print(classification_report(y_true, y_pred))

# 预处理数据
Xs = scale(X)

# 切分测试数据与训练数据
Xs_train, Xs_test, y_train, y_test = train_test_split(Xs, y, test_size=0.2, random_state=42)

# 可以通过设置 n_neighbors 来进行训练
knn = neighbors.KNeighborsClassifier(n_neighbors = 5)
knn_model_2 = knn.fit(Xs_train, y_train)
print('k-NN test: %f' % knn_model_2.score(Xs_test, y_test))
print('k-NN training: %f' % knn_model_2.score(Xs_train, y_train))
y_true, y_pred = y_test, knn_model_2.predict(Xs_test)
print(classification_report(y_true, y_pred))