学习weka（7）：weka数据预处理方法

1、前言

weka 数据预处理阶段全部在 filter 上：

下面把一些常见的机器学习数据与处理方法处理说一下（下面所有实例都是在 Explorer 模块上进行的）。

2、数据预处理方法

可以看到其 filters 可以分为五类，重点是画红框的部分：supervised 是有监督的，unsupervised 是无监督的；每一种往下分，又分为基于 attribute（属性列）和 instance（实例），基于属性列是按照列来进行操作的，基于实例是按照数据行进行操作的。

2.1 常见机器学习预处理方法

常见的机器学习预处理方法一般有缺失值处理、标准化、规范化、正则化和离散化，下面针对这几项一一记录一下。

2.1.1 缺失值处理

缺失值处理函数：weka.filters.unsupervised.attribute.ReplaceMissingValues，按照顺序可以在 filters 中找到，具体如下图：

其参数如下：

三个参数重点在 ignoreClass 上，这个是判断是否要对标签进行缺失值处理的参数。

实例

加载 weka 自带数据集：weather.nominal.arff，将其两个属性外加标签（默认最后一列为标签）编辑（在菜单中寻找 Edit…）为缺失值：

对其进行缺失值处理（使用默认参数）：

可以看到，第 2 和 3 列属性缺失值都被填充完毕，而第 5 列则没有，这是为什么呢，来看一下官方解释：

Replaces all missing values for nominal and numeric attributes in a dataset with the modes and means from the training data. The class attribute is skipped by default.

翻译过来：是使用均值（数值型）和模式（我认为对于非数值则是数量最多的属性值填充）填充缺失值，默认跳过标签列（其中 ignoreClass 参数默认为 False）。

OK 了，将 ignoreClass 设置为 True，再进行一下缺失值处理：

2.1.2 标准化（standardize）

weka 中的类：weka.filters.unsupervised.attribute.Standardize

标准化给定数据集中所有数值属性的值到一个 0 均值和单位方差的正态分布。根据类包依赖顺序，在 filters 中找到其位置，查看一下参数：

和缺失值处理参数一样，不再细说。

实例

加载 weka 自带数据集：cpu.arff，处理之前原数据（参数为默认，一般标签数据是不会被标准化的）：

处理之后：

2.1.3 规范化（normalize）

规范化所在类：weka.filters.unsupervised.attribute.Normalize。

数据规范化，可以将所有数据通过数据变换，转换到指定范围内。来看一下其参数：

除了 ignoreClass，重要参数为 scale 和 translation，这两个参数指定了转换范围，转换公式为：[translation，translation+scale]。比如，scale=2，translation 为-1，那么转换后的数据范围为：[-1,1]

需要注意的是：无论是规范化还是标准化都是以列为单位。

实例

加载 weka 自带数据集：cpu.arff，处理前数据集为：

规范化处理之后（默认参数）：

2.1.4 离散化处理（discretize）

离散化所在类：weka.filters.supervised.attribute.Discretize 和 weka.filters.unsupervised.attribute.Discretize

分别是监督和无监督的数值属性的离散化，用来离散数据集中的一些数值属性到分类属性。

无监督离散化处理参数：

这里参数比较多，简要叙述一下：

• attributeIndices：属性索引，指定要执行的属性的范围，默认参数为“first-last”，表示所有列中离散列都会被选中，如果只是想选择某一列，直接输入数字即可，多列用逗号隔开。
• binRangePrecision：在生成 bin 标签时用于切割点的小数位数；
• bins：分段数，离散化后会将连续数据分为多段；
• debug：调试，如果设置为真，过滤器可以输出附加信息到控制台
• desiredWeightOfInstancesPerInterval：在每个间隔中等频绑定设置所需的实例权重
• doNotCheckCapabilities：如果设置为 true，则过滤器的功能在构建之前不会被检查（小心使用，以减少运行时间）
• findNumBins：使用 leave-one-out 优化等宽容器的数量，不适合于等频
• ignoreClass：是否忽略类标签索引
• invertSelection：反向选择，设置属性选择模式，如果是 false 则在范围内仅选择数值属性离散，如果是 true 则只有非选择的属性将被离散化
• makeBinary：生成二进制属性
• spreadAttributeWeight：生成二进制属性时，将旧属性的权重分散到新属性中。 不要为每个新属性赋予旧的权重。
• useBinNumbers：使用 bin 编号（如 BXofY），而不是使用范围
• useEqualFrequency：等频离散化，如果设置为真，则将使用等频而不是等宽

上面标黑的是需要注意的参数。

实例

加载 weka 自带数据集 weather.numeric.arff，原数据如下：

可以看到其连续属性只有两列，下面修改参数如下：

只修改了一项 bins，将其改为了 3，其他都是默认项，看一下离散化结果：

可以看到，两列连续性数据已经被离散化了（注意 attributeIndices 参数为所有，但是离散化只会选择连续性数据列），而且离散结果是 3 个——对应 bins

通过这个结果，可以看到离散化原理就是将连续数据分段，以分段范围定义为离散属性值，而连续值在哪个分段内就赋予那个分段范围值，比如 72，在 71-78 内，则其离散化后就成了 71-78。

我们更改一下 useBinNumbers 参数，再运行一遍（注意要加载原数据，当前数据已经不存在连续属性列，即便更参数运行，当前数据集也不会再发生变化）：

可以看到其更改了名称，但是本质还是一样的，这个有一点不好的就是两列离散值是重复的，都是 B1of3,B2of3 和 B3of3。

OK，今天就到这里，更多精彩内容关注我的个人网站：蓝亚之舟博客。