Python: sklearn庫 —— 數據預處理

數據集轉換之預處理數據：
? ? ? 將輸入的數據轉化成機器學習算法可以使用的數據。包含特征提取和標準化。
? ? ? 原因：數據集的標準化（服從均值為0方差為1的標準正態分布（高斯分布））是大多數機器學習算法的常見要求。

? ? ? 如果原始數據不服從高斯分布，在預測時表現可能不好。在實踐中，我們經常進行標準化（z-score 特征減去均值/標準差）。

一、標準化（Z-Score），或者去除均值和方差縮放

公式為：(X-mean)/std ?計算時對每個屬性/每列分別進行。

將數據按期屬性（按列進行）減去其均值，并處以其方差。得到的結果是，對于每個屬性/每列來說所有數據都聚集在0附近，方差為1。

實現時，有兩種不同的方式：

• 使用sklearn.preprocessing.scale()函數，可以直接將給定數據進行標準化。

>>> from sklearn import preprocessing >>> import numpy as np >>> X = np.array([[ 1., -1., 2.], ... [ 2., 0., 0.], ... [ 0., 1., -1.]]) >>> X_scaled = preprocessing.scale(X)>>> X_scaled array([[ 0. ..., -1.22..., 1.33...],[ 1.22..., 0. ..., -0.26...],[-1.22..., 1.22..., -1.06...]])>>>#處理后數據的均值和方差 >>> X_scaled.mean(axis=0) array([ 0., 0., 0.])>>> X_scaled.std(axis=0) array([ 1., 1., 1.])

• 使用sklearn.preprocessing.StandardScaler類，使用該類的好處在于可以保存訓練集中的參數（均值、方差）直接使用其對象轉換測試集數據。

>>> scaler = preprocessing.StandardScaler().fit(X) >>> scaler StandardScaler(copy=True, with_mean=True, with_std=True)>>> scaler.mean_ array([ 1. ..., 0. ..., 0.33...])>>> scaler.std_ array([ 0.81..., 0.81..., 1.24...])>>> scaler.transform(X) array([[ 0. ..., -1.22..., 1.33...],[ 1.22..., 0. ..., -0.26...],[-1.22..., 1.22..., -1.06...]])>>>#可以直接使用訓練集對測試集數據進行轉換 >>> scaler.transform([[-1., 1., 0.]]) array([[-2.44..., 1.22..., -0.26...]])

二、將屬性縮放到一個指定范圍

除了上述介紹的方法之外，另一種常用的方法是將屬性縮放到一個指定的最大和最小值（通常是1-0）之間，這可以通過preprocessing.MinMaxScaler類實現。

使用這種方法的目的包括：

1、對于方差非常小的屬性可以增強其穩定性。

2、維持稀疏矩陣中為0的條目。

>>> X_train = np.array([[ 1., -1., 2.], ... [ 2., 0., 0.], ... [ 0., 1., -1.]]) ... >>> min_max_scaler = preprocessing.MinMaxScaler() >>> X_train_minmax = min_max_scaler.fit_transform(X_train) >>> X_train_minmax array([[ 0.5 , 0. , 1. ],[ 1. , 0.5 , 0.33333333],[ 0. , 1. , 0. ]])>>> #將相同的縮放應用到測試集數據中 >>> X_test = np.array([[ -3., -1., 4.]]) >>> X_test_minmax = min_max_scaler.transform(X_test) >>> X_test_minmax array([[-1.5 , 0. , 1.66666667]])>>> #縮放因子等屬性 >>> min_max_scaler.scale_ array([ 0.5 , 0.5 , 0.33...])>>> min_max_scaler.min_ array([ 0. , 0.5 , 0.33...])

當然，在構造類對象的時候也可以直接指定最大最小值的范圍：feature_range=(min,?max)，此時應用的公式變為：

X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))

X_scaled=X_std/(max-min)+min

三、正則化（Normalization）

正則化的過程是將每個樣本縮放到單位范數（每個樣本的范數為1），如果后面要使用如二次型（點積）或者其它核方法計算兩個樣本之間的相似性這個方法會很有用。

Normalization主要思想是對每個樣本計算其p-范數，然后對該樣本中每個元素除以該范數，這樣處理的結果是使得每個處理后樣本的p-范數（l1-norm,l2-norm）等于1。

p-范數的計算公式：||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p

該方法主要應用于文本分類和聚類中。例如，對于兩個TF-IDF向量的l2-norm進行點積，就可以得到這兩個向量的余弦相似性。

1、可以使用preprocessing.normalize()函數對指定數據進行轉換：

>>> X = [[ 1., -1., 2.], ... [ 2., 0., 0.], ... [ 0., 1., -1.]] >>> X_normalized = preprocessing.normalize(X, norm='l2')>>> X_normalized array([[ 0.40..., -0.40..., 0.81...],[ 1. ..., 0. ..., 0. ...],[ 0. ..., 0.70..., -0.70...]])

2、可以使用processing.Normalizer()類實現對訓練集和測試集的擬合和轉換：

>>> normalizer = preprocessing.Normalizer().fit(X) # fit does nothing >>> normalizer Normalizer(copy=True, norm='l2')>>> >>> normalizer.transform(X) array([[ 0.40..., -0.40..., 0.81...],[ 1. ..., 0. ..., 0. ...],[ 0. ..., 0.70..., -0.70...]])>>> normalizer.transform([[-1., 1., 0.]]) array([[-0.70..., 0.70..., 0. ...]])

?

轉載于:https://www.cnblogs.com/yxh-amysear/p/9440746.html

總結

以上是生活随笔為你收集整理的Python: sklearn库——数据预处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。