机器学习 数据预处理之特征编码(归纳整理版) |
您所在的位置:网站首页 › 探探电脑版登录网址是什么 › 机器学习 数据预处理之特征编码(归纳整理版) |
特征编码
由于机器学习算法都是在矩阵上执行线性代数计算,所以参加计算的特征必须是数值型的,对于非数值型的特征需要进行编码处理。对于离散型数据的编码,我们通常会使用两种方式来实现,分别是标签编码和独热编码 标签编码将类别型特征从字符串转换为数字 特点: 解决了分类编码的问题,可以自由定义量化数字数值本身没有任何含义,仅是标识或者排序的作用可解释性比较差适用范围: 对于定序类型的数据,使用标签编码更好,虽然定序类型也属于分类,但是其有排序逻辑对数值大小不敏感的模型(如树模型),建议使用标签编码 方式一:map 或 replace import pandas as pd from sklearn.preprocessing import LabelEncoder, OneHotEncoder from sklearn.feature_extraction import DictVectorizer df = pd.DataFrame([ ['green', 'M', 10.1, 'class1'], ['red', 'L', 13.5, 'class2'], ['blue', 'XL', 15.3, 'class1']]) df.columns = ['color', 'size', 'prize', 'class label'] df反向变换 inv_color_mapping = {v: k for k, v in color_mapping.items()} inv_size_mapping = {v: k for k, v in size_mapping.items()} inv_class_mapping = {v: k for k, v in class_mapping.items()} df['color'] = df['color'].map(inv_color_mapping) df['size'] = df['size'].map(inv_size_mapping) df['class label'] = df['class label'].map(inv_class_mapping) df将离散型的数据转换成 0 0 0 到 n − 1 n − 1 n−1 之间的数 df = pd.DataFrame([ ['green', 'M', 10.1, 'class1'], ['red', 'L', 13.5, 'class2'], ['blue', 'XL', 15.3, 'class1']]) df.columns = ['color', 'size', 'prize', 'class label'] df采用 N N N 位状态寄存器来对 N N N 个可能的取值进行编码,每个状态都由独立的寄存器来表示,并且在任意时刻只有其中一位有效 特点: 解决了分类器不好处理分类变量的问题,同时也可以扩展特征编码后的属性是稀疏的,存在大量的零元分量当类别非常多时,特征空间会非常大,容易导致维度灾难的问题适用范围: 适用于定类类型的数据,该类型数据是纯分类,不进行排序,互相之间也没有逻辑关系对数值大小敏感的模型,必须使用独热编码 方式一:sklearn DictVectorizer将 {特征名称:特征值} 字典组成的列表转化为数组或稀疏矩阵,当特征值为字符串时,就会对特征进行独热编码 df = pd.DataFrame([ ['green', 'M', 10.1, 'class1'], ['red', 'L', 13.5, 'class2'], ['blue', 'XL', 15.3, 'class1']]) df.columns = ['color', 'size', 'prize', 'class label'] dfdict_values([{‘color’: ‘green’, ‘size’: ‘M’, ‘prize’: 10.1}, {‘color’: ‘red’, ‘size’: ‘L’, ‘prize’: 13.5}, {‘color’: ‘blue’, ‘size’: ‘XL’, ‘prize’: 15.3}]) dvec = DictVectorizer(sparse=False) X = dvec.fit_transform(feature.transpose().to_dict().values()) X可以调用 get_feature_names 来返回新的列的名字,其中0和1就代表是不是这个属性 X = pd.DataFrame(X, columns=dvec.get_feature_names()) X.join(df['class label'])Pandas库中同样有类似的操作,使用 get_dummies 也可以得到相应的特征 df = pd.DataFrame([ ['green', 'M', 10.1, 'class1'], ['red', 'L', 13.5, 'class2'], ['blue', 'XL', 15.3, 'class1']]) df.columns = ['color', 'size', 'prize', 'class label'] df本文到此结束,后续将会不断更新,如果发现上述有误,请各位大佬及时指正! |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |