机器学习实战:这里没有艰深晦涩的数学理论,我们将用简单的案例和大量的示例代码,向大家介绍机器学习的核心概念。我们的目标是教会大家用Python构建机器学习模型,解决现实世界的难题。
本文来自《数据黑客》,登录官网可阅读更多精彩资讯和文章。数据黑客 - 专注金融大数据的内容聚合和数据聚合平台finquanthub.com
机器学习模型要求输入为数值变量,特征必须是大小为(n_samples, n_features)的数值矩阵,目标是(n_samples, 1)的数值向量。但现实世界的数据集有可能包含非数值数据,例如分类变量,文本数据和图像。
这时候需要进行数据预处理(data preprocessing),即采用一些技巧将非数值变量转换为数值变量。
1. 分类变量
分类变量通常分为两种:有序和无序。有序:类别可以相互比较,有大小之分,可以直接转化为数值变量。假设代表收入的变量'income'有3个类别,'low','medium','high',分别代表低收入,中等收入,高收入,类别是可以直接比较的,并且可以排序,'low' < 'medium' < 'high'。
无序:类别不可以比较,需要引入虚拟变量(dummy variable),常用编码技术是独热编码(one-hot encoding)。例如代表性别的变量'gender'有两个类别,'male'和'female',但'male' < 'female'的关系并不成立。
将分类变量转化为数值变量有两种常用方法:标签编码和独热编码。
1.1 标签编码
标签编码(label encoding): 将分类变量的类别编码为数字。
用sklearn.preprocessing.LabelEncoder实现,将包含k个类别的分类变量编码为$0,1,2,...(k-1)$
标签编码一般不用于特征,而是用于目标变量。
假设一个代表性别的特征'gender',包含两个类别:'male','female'。标签编码将类别编码为整数,0代表男性,1代表女性。但这不符合模型背后的假设,因为机器学习模型认为数据有算数含义,例如0 < 1,这意味着男性 < 女性,但这种关系不成立。一般会使用独热编码处理分类特征,标签编码仅用于分类目标。
接下来说明如何使用标签编码,假设目标变量代表股票价格趋势,有3种可能的类别,'up','down','range'.
from sklearn.preprocessing import LabelEncoder
# 目标变量
y = ["up", "up", "down", "range", "up", "down&#