【机器学习】2. 数据预处理

数据预处理

  • [1. 两种变量属性](#1. 两种变量属性)
  • [2. 数据集的类别](#2. 数据集的类别)
  • [3. 数据清洗](#3. 数据清洗)
  • [4. 减少噪声的方法](#4. 减少噪声的方法)
  • [5. 解决数据缺失的方法](#5. 解决数据缺失的方法)
  • [6. 数据预处理](#6. 数据预处理)
    • [6.1 数据聚合](#6.1 数据聚合)
    • [6.2 数据提取](#6.2 数据提取)
    • [6.3 数据子集选择](#6.3 数据子集选择)
      • [6.3.1 选择方法](#6.3.1 选择方法)
    • [6.4 权重加权](#6.4 权重加权)
    • [6.5 数据类型转换](#6.5 数据类型转换)
      • [6.5.1 二值化](#6.5.1 二值化)
    • [6.6 离散化](#6.6 离散化)
      • [6.6.1 无监督离散化](#6.6.1 无监督离散化)
    • [6.7 规范化和标准化(normalization and standardization)](#6.7 规范化和标准化(normalization and standardization))
      • [6.7.1 normalization](#6.7.1 normalization)
      • [6.7.2 standardization](#6.7.2 standardization)

1. 两种变量属性

  • 类型 (nominal) : 主要是姓名,ID之类的(categorical)
  • 数值 (numeric):连续的数值,比如房价,身高(continuous)

2. 数据集的类别

  • 矩阵
  • 序列数据,比如时间序列数据
  • 图表, 比如分子结构(molecular structure)
  • 空间数据(spatio - temporal)
  • 事务型数据 (transaction data)

3. 数据清洗

原因:

  • 数据不是完美的
  • 有缺失的数据
  • 噪音数据(虚假数据,不一致的数据,重复数据,干扰数据)

4. 减少噪声的方法

  • 使用信号,图像处理和异常值检测技术
  • 更换机器学习算法,选择对噪声鲁棒性更好的模型(即能够接受存在更多噪声的模型)

5. 解决数据缺失的方法

  • 直接删除所有缺失数据

后果是会导致丢失很多数据来创建一个有效的模型

  • 通过剩余的数据来估计缺失数据的值
    • 类别数据(nominal)
      • 通过该变量的众数替代
      • 通过观察结果值(结果值无缺失的情况)。假如这组缺失数据的结果值是T,在所有结果为T的数据中找到最多的变量值,作为缺失值的替代。
    • 数值数据 (continuous)
      • 距离最近的几个数据的平均值进行替代。

6. 数据预处理

6.1 数据聚合

将两个或者多个变量进行合并。

目的:

  • 减少内存和计算的开销,节约成本
  • 改变规模,小规模可以变成大规模,比如班级变成学校
  • 数据更加稳定,波动减少。 比如购物,买猪肉,牛肉,变成肉。

缺点:

  • 有可能丢失有用的一些细节

6.2 数据提取

数据提取是重要的任务,在原始数据中创建特征

  • 要求专业知识,比如创建哪些特征能够有效判断是狗还是猫
  • 数据可能需要转换到另一个空间,比如傅里叶变换(图像处理章节有介绍。)(fourier transform.)。在另一个空间中可能会显示其他有效特征。

6.3 数据子集选择

  • 剔除无效,不相关的数据,选择有效充分的数据
  • 对好的分类结果很重要
  • 好的特征选择,能够提高准确率
  • 使用更少的特征也意味着
    • 更快建立分类器
    • 能够更加精简,简单介绍分类规则

6.3.1 选择方法

  • 暴力遍历(Brute force): 尝试所有提取方式,用最好的结果
  • 嵌入(Embedded): 一些机器学习算法能够自动提取特征,比如决策树
  • 筛选(Filter): 通过相关性,或者统计测量(如信息增益等)进行筛选
  • 包装器(Wrapper):通过机器学习方法来选择最好的特征(将某个机器学习算法作为黑盒子来评估不同的特征并且选择最好的。)

6.4 权重加权

  • 能够替代数据剔除的方式
  • 重要数据有更高的权重,可以手动加权或者自动加权(boosting)

6.5 数据类型转换

  • 将类别数据(nominal)转换成数值(numeric)
  • 转换成二值化数据(如0-1)
  • 因为一些模型,只能接受类型数据,数值数据或者二进制数据。

6.5.1 二值化

  • 类别 -> 整数 -> 二值化
  • 数值 -> 类别 -> 整数 -> 二值化
    二值化的类别:
  • (0,1,1) 可以两个1代表1类
  • 或者one - hot (0,0,1)

6.6 离散化

数值型(numeric) -> 类别型 (nominal)

6.6.1 无监督离散化

  • equal width: 从左往右等距离分类
  • equal frequency: 从左往右等数量分类
  • clustering: 聚合:K-means

6.7 规范化和标准化(normalization and standardization)

  • 将变量转换到新的范围中,比如(0,1)
  • 避免大数值对小数值的影响
  • 需要计算距离的机器学习算法常用,其他类型的机器学习算法也常常能够获得更好的评估效果。

6.7.1 normalization

x : 变量

x : 原始数据

x': 新数据
x ′ = x − m i n ( x ) m a x ( x ) − m i n ( x ) x' = \frac{x - min(x)}{max(x) - min(x)} x′=max(x)−min(x)x−min(x)

6.7.2 standardization

x ′ = x − μ ( x ) σ ( x ) x' = \frac{x - \mu(x)}{\sigma(x)} x′=σ(x)x−μ(x)

σ: 标准差(standard deviation)

u: 均值(mean)

相关推荐
NG WING YIN13 分钟前
Golang關於信件的
开发语言·深度学习·golang
金井PRATHAMA24 分钟前
认知语义学中的象似性对人工智能自然语言处理深层语义分析的影响与启示
人工智能·自然语言处理·知识图谱
陈敬雷-充电了么-CEO兼CTO24 分钟前
突破多模态极限!InstructBLIP携指令微调革新视觉语言模型,X-InstructBLIP实现跨模态推理新高度
人工智能·自然语言处理·chatgpt·blip·clip·多模态大模型·gpt-5
iChochy26 分钟前
[开源免费] iGTTS(Gemini TTS) 文本转语音(TTS)的命令行工具。
python·tts·gemini
TwoAI34 分钟前
Scikit-learn:从零开始构建你的第一个机器学习模型
python·机器学习·scikit-learn
跟橙姐学代码38 分钟前
Python里的“管家婆”:带你玩转os库的所有神操作
前端·python·ipython
倔强青铜三38 分钟前
最强Python Web框架到底是谁?
人工智能·python·面试
xiaofan6720131 小时前
大数据与财务管理专业如何转型做金融科技?
大数据·科技·金融
ZeroNews内网穿透1 小时前
企业远程访问方案选择:何时选内网穿透,何时需要反向代理?
运维·服务器·网络·python·安全
倔强青铜三1 小时前
苦练Python第45天:使用open函数读取文件内容
人工智能·python·面试