标准化总结
在已有样本足够多的情况下比较稳定,适合现代嘈杂大数据场景
缺失值的处理
1.删除:如果每列或者行数据缺失值达到一定的比例,建议放弃整行或者整列
插补:可以通过缺失值每行或者每列的平均值、中位数来填充
2.sklearn缺失值API:sklearn.preprocessing.Imputer
Imputer语法
Imputer流程
1.初始化Imputer,指定“缺失值”,指定填补策略,指定行或列(缺失值也可以是别的指定要替换的值)
2.调用fit_transform
关于np.nan(np.nan)
1.numpy的数组中可以使用np.nan/np.nan来代替缺失值,属于float类型
2.如果是文件中的一些缺失值,可以替换成nan,通过np.array转化成float型的数组即可
特征的预处理
特征的预处理:对数据进行处理
通过特定的统计方法(数学方法)将数据转换成算法要求的数据
数值型数据:标准缩放:1.归一化 2.标准化 3.缺失值
类别型数据:one-hot编码
时间类型:时间的切分
sklearn特征处理API
sklearn.preprocessing
归一化
特点:通过对原始数据进行变换把数据映射到(默认为[0,1])之间
数据的降维之特征选择
维度(数组的维度)
降维:维度(特征的数量)
特征选择
特征选择的原因:冗余:部分特征的相关度高,容易消耗计算性能;噪声:部分特征对预测结果有影响
特征选择:就是单纯地从提取到的所有特征中选择部分特征作为训练集特征,特征在选择前和选择后可以改变值、也不改变值,但是选择后的特征维数肯定比选择前小,因为只选择了其中的一部分特征
sklearn特征选择API
sklearn.feature_selection.VarianceThreshold
VarianceThreshold语法
VarianceThreshold流程
1.初始化VarianceThreshold,指定阀值方差
2.调用fit_transform
PCA(主成分分析)
本质:PCA是一种分析、简化数据集的技术
目的:是数据维数压缩,尽可能降低原数据的维数(复杂度),损失少量信息
作用:可以削减回归分析或者巨类分析中特征的数量
sklearn主成分分析API
sklearn.decomposition
PCA语法
n_components:小数形式(百分比:一般是0~1),整数形式(一般不使用)
PCA流程
1.初始化PCA,指定减少的维度
2.调用fit_transform
sklearn数据集
数据集划分
训练集(训练数据):用于训练,构建模型
测试集(测试数据):在模型检验时使用,用于评估模型是否有效
sklearn数据集划分API
sklearn.model_selection.train_test_split
scikit-learn数据集API介绍
获取数据集返回的类型
sklearn分类数据集
数据集进行分割
用于分类的大数据值
转换器与预估器
转换器
fit_transform():输入数据直接转换
fit():输入数据,但不做转换
transform():进行数据的转换
fit_transform()=fit()+transform()
估计器
在sklearn中,估计器是一类实现了算法的API
估计器的流程
1.调用fit
fit(x_train,y_train)
2.输入预测试集的数据
(1.y_predict=predict(x_test)
2.预测的准确率:score(x_test,y_test))