机器学习之特征提取（上）

1.什么是特征提取

定义： 将任意数据（如文本或图像）转换为可用于机器学习的数字特征。

2.字典特征提取

举个： 我们对以下数据进行特征提取。

数据字典：
[{‘Name’:‘Lucy’, ‘Score’:80},
{‘Name’:‘Tony’, ‘Score’:95},
{‘Name’:‘John’, ‘temperature’:73}]

流程分析：

（1）实例化DictVectorizer

（2）调用fit_transform方法输入数据并转换

具体实现：

from sklearn.feature_extraction import DictVectorizer

def dict():
    # 1.获取数据
    data = [{'Name':'Lucy', 'Score':80},
            {'Name':'Tony', 'Score':95},
            {'Name':'John', 'Score':73}]
            
    # 2.字典特征提取
    # 2.1 实例化
    transfer = DictVectorizer(sparse = False)

    # 2.2 转换
    res = transfer.fit_transform(data)
    print("最终结果：\n", res)

    # 2.3 获取具体属性名
    names = transfer.get_feature_names()
    print("各属性名：\n", names)

if __name__ == '__main__':
    dict()

输出结果：

当sparse = False时

当sparse = True时

思考：在数据存储方面，哪种方式节省空间？

这就不得不讲到sparse矩阵的优势了。

（1）节省空间。当sparse = False时，如果数据量大时，每行需要存储很多个0值。十分浪费空间。当sparse = True时，只存储有数字的位置，就可以节省空间。

（2）sparse矩阵可以提高读取效率，哪个位置有值，直接定位就能找到，而在sparse = False的情形下需要逐个遍历，此时时间复杂度就提高了。

补充：one-hot编码

Number	Name	Score
1	Lucy	80
2	Tony	95
3	Tony	73

转化为：

Number	John	Lucy	Tony
1	0	1	0
2	0	0	1
3	1	0	0

将每个类别生成一个布尔列，这些列中可以为每个样本取值1。故称为one-hot编码。

3.英文特征提取

举个： 通过对以下数据进行特征提取，实现统计每个单词出现的频率。

数据：
[“The more we do, the more we can do; the more busy we are, the more leisure we have.”]

流程分析：

（1）实例化CountVectorizer

（2）调用fit_transform方法输入数据并转换

具体实现：

from sklearn.feature_extraction.text import CountVectorizer

def english_count():
    # 1.获取数据
    data = ["The more we do, the more we can do; the more busy we are, the more leisure we have."]

    # 2.文本转换
    transfer = CountVectorizer()
    res = transfer.fit_transform(data)

    # 3.查看
    names = transfer.get_feature_names()
    print("特征名字：\n",names)
    print("最终结果: \n",res)

if __name__ == '__main__':
    english_count()

输出结果：

思考：如果想要以行的形式展示结果又该如何实现呢？

按照字典特征提取的实例，是否可以设置sparse = True来实现？

	transfer = CountVectorizer(sparse=True)

运行结果：

事实证明，没办法通过sparse = True的方式进行转换。但是，可以通toarray()的方式实现。

# 3.查看
    names = transfer.get_feature_names()
    print("特征名字：\n",names)
    print(res.toarray())
    print("最终结果:\n",res)

运行结果：

最终结果的第一行表示more这个单词在句子中共出现了4次。但是如果某个单词不需要统计又要如何实现呢？

    transfer = CountVectorizer(stop_words=["the"])

运行结果：

4.小结

本次内容主要是机器学习之特征提取 ，我们可以实现字典的特征提取、文本的特征提取以及图像的特征提取。

思考：中文的特征提取如何实现呢？