k近邻7-特征预处理

1 什么是特征预处理

1.1 特征预处理定义

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过程

为什么：特征的单位或者大小相差较大，或者某特征的方差相比其他的特征要大出几个数量级，容易影响（支配）目标结果，使得一些算法无法学习到其它的特征
目标：用到一些方法进行无量纲化，使不同规格的数据转换到同一规格

1.2 特征预处理方式

• 归一化
• 标准化

1.3 特征预处理API

sklearn.preprocessing

2 归一化

• 定义:
  • 对原始数据进行变换把数据映射到(默认为[0,1])之间
    

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

• API:
  • sklearn.preprocessing.MinMaxScaler (feature_range=(0,1)… )
  • 参数:feature_range -- 自己指定范围,默认0-1
• 总结：
  • 鲁棒性比较差(容易受到异常点的影响)
  • 只适合传统精确小数据场景（用的不多）
• 实例
  • 实例化MinMaxScalar
  • 通过fit_transform转换

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

def minmax_demo():
    """
    归一化演示
    :return: None
    """
    data = pd.read_csv("./data/dating.txt")
    print(data)
    # 1、实例化一个转换器类
    transfer = MinMaxScaler(feature_range=(2, 3))
    # 2、调用fit_transform
    data = transfer.fit_transform(data[['milage','Liters','Consumtime']])
    print("最小值最大值归一化处理的结果：\n", data)

    return None

返回结果：

milage     Liters  Consumtime  target
0     40920   8.326976    0.953952       3
1     14488   7.153469    1.673904       2
2     26052   1.441871    0.805124       1
3     75136  13.147394    0.428964       1
..      ...        ...         ...     ...
998   48111   9.134528    0.728045       3
999   43757   7.882601    1.332446       3

[1000 rows x 4 columns]
最小值最大值归一化处理的结果：
 [[ 2.44832535  2.39805139  2.56233353]
 [ 2.15873259  2.34195467  2.98724416]
 [ 2.28542943  2.06892523  2.47449629]
 ..., 
 [ 2.29115949  2.50910294  2.51079493]
 [ 2.52711097  2.43665451  2.4290048 ]
 [ 2.47940793  2.3768091   2.78571804]]

3 标准化

• 定义:
  • 对原始数据进行变换把数据变换到均值为0,标准差为1范围内
    

作用于每一列，mean为平均值，σ为标准差

• API:
  • sklearn.preprocessing.StandardScaler( )
• 总结：
  • 异常值影响小
  • 适合现代嘈杂大数据场景(用的多）
• 案例：
  • 实例化StandardScaler
  • 通过fit_transform转换

import pandas as pd
from sklearn.preprocessing import StandardScaler

def stand_demo():
    """
    标准化演示
    :return: None
    """
    data = pd.read_csv("dating.txt")
    print(data)
    # 1、实例化一个转换器类
    transfer = StandardScaler()
    # 2、调用fit_transform
    data = transfer.fit_transform(data[['milage','Liters','Consumtime']])
    print("标准化的结果:\n", data)
    print("每一列特征的平均值：\n", transfer.mean_)
    print("每一列特征的方差：\n", transfer.var_)

    return None

返回结果：

 milage     Liters  Consumtime  target
0     40920   8.326976    0.953952       3
1     14488   7.153469    1.673904       2
2     26052   1.441871    0.805124       1
..      ...        ...         ...     ...
997   26575  10.650102    0.866627       3
998   48111   9.134528    0.728045       3
999   43757   7.882601    1.332446       3

[1000 rows x 4 columns]
标准化的结果:
 [[ 0.33193158  0.41660188  0.24523407]
 [-0.87247784  0.13992897  1.69385734]
 [-0.34554872 -1.20667094 -0.05422437]
 ..., 
 [-0.32171752  0.96431572  0.06952649]
 [ 0.65959911  0.60699509 -0.20931587]
 [ 0.46120328  0.31183342  1.00680598]]
每一列特征的平均值：
 [  3.36354210e+04   6.55996083e+00   8.32072997e-01]
每一列特征的方差：
 [  4.81628039e+08   1.79902874e+01   2.46999554e-01]