数据背景:
通过半导体工程上的一些过程数据,对一些产品进行是否有缺陷的验证。
数据样例:
数据中包含了590个特征,且存在很多的缺失值,这些缺失值是以NaN标识的。因为在590个特征下,几乎所有样本都有NaN,因此去除不完整的样本不太现实。尽管我们可以将所有的NaN替换成0,但是由于并不知道这些值的意义,所以这样做是下策。比如如果有特征是温度值,那么这样处理就会出问题。
下面我们用平均值来代替缺失值,平均值根据那些非NaN得到:
python
def replaceNanWithMean():
datMat=loadDataSet('test/secom.data',' ')
numFeat=shape(datMat)[1]
for i in range(numFeat):
#计算所有非NaN的平均值
meanVal=mean(datMat[nonzero(~isnan(datMat[:,i].A))[0],i])
#将所有的NaN置为平均值
datMat[nonzero(isnan(datMat[:,i].A))[0],i]=meanVal
return datMat
上述代码首先打开了数据集并计算出了其特征的数目,然后再在所有的特征上进行循环。对于每个特征,首先计算出那些非NaN值的平均值。然后,将所有的NaN替换成该平均值。
我们已经去除了所有的NaN,接下来在数据集上应用PCA。首先确认所需特征和可以去除特征的数目。PCA会给出数据中所包含的信息量。需要注意的是,数据和信息之间具有巨大的区别。数据指的是接收的原始材料,其中可能包含噪声和不相关信息。信息是指数据中的相关部分。这些并非只是抽象概念,我们还可以定量的计算数据中所包含的信息并决定保留的比例。
通过已有代码去除均值、计算协方差矩阵:
python
dataMat=replaceNanWithMean()
meanVals=mean(dataMat,axis=0)
meanRemoved=dataMat-meanVals
covMat=cov(meanRemoved,rowvar=0)
最后对该矩阵进行特征值分析:
python
eigVals,eigVects=linalg.eig(mat(covMat))
print(eigVals)
如上图,有很多数值,其中,有超过20%的特征值都是0,这意味着这些特征都是其他特征的副本,也就是说它们可以通过其他特征来表示,而本身没有提供额外的信息。
从大小排序来看,前15个的数量级大于10^5,这些是重要特征,只占所有特征的一部分。