机器学习中的数据预处理(sklearn preprocessing)

文章来源:https://blog.csdn.net/csmqq/article/details/51461696?utm_source=blogxgwz4

Standardization即标准化,尽量将数据转化为均值为零,方差为一的数据,形如标准正态分布(高斯分布)。实际中我们会忽略数据的分布情况,仅仅是通过改变均值来集中数据,然后将非连续特征除以他们的标准差。sklearn中 scale函数提供了简单快速的singlearray-like数据集操作。

一、标准化,均值去除和按方差比例缩放(Standardization, or mean removal and variance scaling)

  数据集的标准化:当个体特征太过或明显不遵从高斯正态分布时,标准化表现的效果较差。实际操作中,经常忽略特征数据的分布形状,移除每个特征均值,划分离散特征的标准差,从而等级化,进而实现数据中心化。

 

1. scale 零均值单位方差

 

 
  1. from sklearn import preprocessing

  2. import numpy as np

  3. X = np.array([[1., -1., 2.], [2., 0., 0.], [0., 1., -1.]])

  4. X_scaled = preprocessing.scale(X)

  5. #output :X_scaled = [[ 0. -1.22474487 1.33630621]

  6. [ 1.22474487 0. -0.26726124]

  7. [-1.22474487 1.22474487 -1.06904497]]

  8. #scaled之后的数据零均值,单位方差

  9. X_scaled.mean(axis=0) # column mean: array([ 0., 0., 0.])

  10. X_scaled.std(axis=0) #column standard deviation: array([ 1., 1., 1.])

 

 

2.StandardScaler计算训练集的平均值和标准差,以便测试数据集使用相同的变换。

 

 
  1. scaler = preprocessing.StandardScaler().fit(X) #out: StandardScaler(copy=True, with_mean=True, with_std=True)

  2. scaler.mean_ #out: array([ 1., 0. , 0.33333333])

  3. scaler.std_ #out: array([ 0.81649658, 0.81649658, 1.24721913])

  4. #测试将该scaler用于输入数据,变换之后得到的结果同上

  5. scaler.transform(X) #out: array([[ 0., -1.22474487, 1.33630621], [ 1.22474487, 0. , -0.26726124], [-1.22474487,1.22474487, -1.06904497]])

  6. scaler.transform([[-1., 1., 0.]]) #scale the new data, out: array([[-2.44948974, 1.22474487, -0.26726124]])

注 :1)若设置with_mean=False 或者 with_std=False,则不做centering 或者scaling处理。

 

2)scale和StandardScaler可以用于回归模型中的目标值处理。

 

二、将数据特征缩放至某一范围(scalingfeatures to a range)

另外一种标准化方法是将数据缩放至给定的最小值与最大值之间,通常是0与1之间,可用MinMaxScaler实现。或者将最大的绝对值缩放至单位大小,可用MaxAbsScaler实现。

使用这种标准化方法的原因是,有时数据集的标准差非常非常小,有时数据中有很多很多零(稀疏数据)需要保存住0元素。

1. MinMaxScaler(最小最大值标准化)

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

X_scaler = X_std/ (max - min) + min

 
  1. #例子:将数据缩放至[0, 1]间。训练过程: fit_transform()

  2. X_train = np.array([[1., -1., 2.], [2., 0., 0.], [0., 1., -1.]])

  3. min_max_scaler = preprocessing.MinMaxScaler()

  4. X_train_minmax = min_max_scaler.fit_transform(X_train)

  5. #out: array([[ 0.5 , 0. , 1. ],

  6. [ 1. , 0.5 , 0.33333333],

  7. [ 0. , 1. , 0. ]])

  8. #将上述得到的scale参数应用至测试数据

  9. X_test = np.array([[ -3., -1., 4.]])

  10. X_test_minmax = min_max_scaler.transform(X_test) #out: array([[-1.5 , 0. , 1.66666667]])

  11. #可以用以下方法查看scaler的属性

  12. min_max_scaler.scale_ #out: array([ 0.5 , 0.5, 0.33...])

  13. min_max_scaler.min_ #out: array([ 0., 0.5, 0.33...])

2. MaxAbsScaler(绝对值最大标准化)

与上述标准化方法相似,但是它通过除以最大值将训练集缩放至[-1,1]。这意味着数据已经以0为中心或者是含有非常非常多0的稀疏数据。

 
  1. X_train = np.array([[ 1., -1., 2.],

  2. [ 2., 0., 0.],

  3. [ 0., 1., -1.]])

  4. max_abs_scaler = preprocessing.MaxAbsScaler()

  5. X_train_maxabs = max_abs_scaler.fit_transform(X_train)

  6. # doctest +NORMALIZE_WHITESPACE^, out: array([[ 0.5, -1., 1. ], [ 1. , 0. , 0. ], [ 0. , 1. , -0.5]])

  7. X_test = np.array([[ -3., -1., 4.]])

  8. X_test_maxabs = max_abs_scaler.transform(X_test) #out: array([[-1.5, -1. , 2. ]])

  9. max_abs_scaler.scale_ #out: array([ 2., 1., 2.])

 

更多的数据预处理方法参考官方文档:http://scikit-learn.org/stable/modules/preprocessing.html#standardization-or-mean-removal-and-variance-scaling

参考官方文档:http://scikit-learn.org/stable/modules/preprocessing.html

官网:http://scikit-learn.org/stable/

你可能感兴趣的:(python)