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。
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 ) 0,1,2,...(k-1) 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", "range", "range", "down"]
# 创建LabelEncoder对象
le = LabelEncoder()
# 拟合数据
le.fit(y)
# 查看包含哪些类别
print("classes: ", le.classes_)
# 编码为数字
print("encoded labels: ", le.transform(y))
# 调用inverse_transform实现反向操作
print("inverse encoding: ", le.inverse_transform([0, 1, 2]))
classes: ['down' 'range' 'up']
encoded labels: [2 2 0 1 2 0 1 1 0]
inverse encoding: ['down' 'range' 'up']
1.2 独热编码
独热编码(one hot encoding): 将包含m个类别的分类变量转化为 n ∗ m n*m n∗m的二元矩阵,n是观测值数量,m是类别数量。
假设分类变量’car_type’,表示汽车类型,包含类别(BMW, Tesla, Audi),独热