IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 2 021-08-05 -> 正文阅读

[人工智能]2 021-08-05

特征预处理

什么是特征预处理?
通过一些转换函数将特征数据转换成更加适合算法模型的特征数据的过程

一、归一化

1.定义

通过对原始数据进行变换把数据映射到(默认为【0,1】)之间

2.公式

x ′ = x ? m i n m a x ? m i n x^\prime= \frac{x-min}{max-min} x=max?minx?min?
x ′ ′ = x ′ ? ( m x ? m i ) + m i x''=x'*(mx-mi)+mi x=x?(mx?mi)+mi

作用于每一列,max为一列的最大值,min为一列的最小值,那么x’'为最终结果,mx,mi分别为指定区间值默认mx为1,mi为0

3.API

  • sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)…)
  • MinMaxScalar.fit_transform(X)“X”:numpy array格式的数据[n_samples,n_features]“返回值”:转换后的形状相同的array
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

def minmax_demo():
    '''
    归一化
    '''
    #获取数据
    data = pd.read_csv("dating.txt")
    data = data.iloc[:,:3]

    transfer = MinMaxScaler()
    data_new = transfer.fit_transform(data)
    print("data_new:\n",data_new)

    return None

iloc和loc用法

二、标椎化

1.公式

x ′ = x ? m e a n σ x'=\frac{x-mean}{\sigma} x=σx?mean?

作用于每一列,mean为平均值, σ \sigma σ为标椎差

2.API

  • sklean.preprocessing.StandardScaler()
    处理之后,对每列来说,所有数据都聚集在均值为0附近,标椎差为1
    StandardScaler.fit_transform(X)
    x:numpy array格式的数据[n_samples,n_features]
    返回值:转换后的形状相同的array

特征降维

一、降维

定义

降维是指在某些限定条件下,降低随机变量(特征)个数,得到一组“不相关”主变量的过程

二、 特征选择

1.Filter(过滤式)

	方差选择法:低方差特征过滤
	相关系数——特征与特征之间的相关程度
2.Embedded(嵌入式)
	决策树
	正则化
	深度学习

三、低方差特征过滤

API

  • sklearn.feature_selection.VarianceThreshold(threshold = 0.0)
  • 删除所有低方差特征
  • Variance.fit_transform(X)
  • X:numpy array格式的数据(n_samples,n_features)
  • 返回值:训练集差异低于threshold的特征将被删除。默认值是保留所有非零方差特征,即删除所有样本中具有相同的特征。

皮尔逊相关系数

取值范围:-1>= r <= 1
API - from scipy.stats import pearsonr
x:(N,)array_like
y:(N,)array_like Returns:(Pearson’s correlation coefficient,p-value)
画图

import matplotlib.pyplot as plt
				plt.figure(figsize = (28, 8), dpi = 100)
				plt.scatter(datal['revenue'], data['total_expense'])
				plt.show()

四、主成分分析

API

  • sklearn.decomposition.PCA(n_components = None)
  • n_components:
    小数:表示保留百分之多少的信息
    整数:减少到多少特征
  • PCA.fit_transform(X) X: numpy array格式的数据[n_samples, n_features]
  • 返回值:转换后指定维度的array
  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-18 12:42:30  更:2021-08-18 12:43:11 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/27 19:33:26-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码