一、機器學(xué)習(xí)概述

機器學(xué)習(xí)是從數(shù)據(jù)中，自動分析獲得規(guī)律（模型），并利用規(guī)律對未知數(shù)據(jù)進行預(yù)測。

二、數(shù)據(jù)集的構(gòu)成

1.數(shù)據(jù)集存儲

機器學(xué)習(xí)的歷史數(shù)據(jù)通常使用csv文件存儲。

不用mysql的原因：

1、文件大的話讀取速度慢；

2、格式不符合機器學(xué)習(xí)要求的格式

2.可用的數(shù)據(jù)集

Kaggle：大數(shù)據(jù)競賽平臺、80萬科學(xué)家、真實數(shù)據(jù)、數(shù)據(jù)量巨大

Kaggle網(wǎng)址：https://www.kaggle.com/datasets

UCI：360個數(shù)據(jù)集、覆蓋科學(xué)生活經(jīng)濟等領(lǐng)域、數(shù)據(jù)量幾十萬

UCI數(shù)據(jù)集網(wǎng)址： http://archive.ics.uci.edu/ml/

scikit-learn：數(shù)據(jù)量較小、方便學(xué)習(xí)

scikit-learn網(wǎng)址：http://scikit-learn.org/stable/datasets/index.html#datasets

3.常用數(shù)據(jù)集的結(jié)構(gòu)

特征值（用以判斷目標值所用的條件：比如房子的面積朝向等）+目標值（希望實現(xiàn)的目標：比如房子價格）

有些數(shù)據(jù)集可以沒有目標值。

三、特征工程

”將原始數(shù)據(jù)轉(zhuǎn)換為能更好地代表預(yù)測模型的潛在問題的特征“的過程，叫做特征工程，能夠提高對未知數(shù)據(jù)的預(yù)測準確性。特征如果不好，很可能即使算法好，結(jié)果也不會盡如人意。

pandas可用于數(shù)據(jù)讀取、對數(shù)據(jù)的基本處理

sklearn有更多對于特征的處理的強大的接口

特征抽取：

特征抽取API：sklearn.feature_extraction

1.字典數(shù)據(jù)特征抽取

API：sklearn.feature_extraction.DictVectorizer

語法如下：

字典數(shù)據(jù)抽?。簩⒆值渲械念悇e數(shù)據(jù)分別進行轉(zhuǎn)換為特征數(shù)據(jù)。因此，如果輸入的是數(shù)組形式，并且有類別的這些特征，需要先轉(zhuǎn)換成字典數(shù)據(jù)，然后進行抽取。

2.文本特征抽取

Count

類：sklearn.feature_extraction.text.CountVectorizer

用法：

1.統(tǒng)計所有文章當中所有的詞，重復(fù)的只看做一次
2.對每篇文章，在詞的列表里面，統(tǒng)計每個詞出現(xiàn)的次數(shù)
3.單個字母不統(tǒng)計

注意：該方法默認不支持中文，每個中文漢字被視為一個英文字母，中間有空格或者逗號就會被分開，同樣的，一個漢字不予統(tǒng)計。（中文可使用jieba分詞：pip install jieba，使用：jieba.cut("我是一個程序員")）

3.文本特征抽取：tf-idf

上面的countvec不能處理中性詞比如“明天，中午，因為”等。于是可以使用tfidf方法。

tf：term frequency詞頻(和countvec方法一樣)

idf：inverse document frequency逆文檔頻率 log(總文檔數(shù)量/該詞出現(xiàn)的文檔數(shù))

tf * idf 重要性程度

類：sklearn.feature_extraction.text.TfidfVectorizer

4.特征預(yù)處理：歸一化

特征預(yù)處理：通過特定的統(tǒng)計方法，將數(shù)據(jù)轉(zhuǎn)換為算法要求的數(shù)據(jù)

特征預(yù)處理API：sklearn.preprocessing

歸一化API：sklearn.preprocessing.MinMaxScaler

多個特征同等重要并且特征數(shù)據(jù)之間差距較大的時候，進行歸一化。但歸一化容易受異常點的影響，因此該方法魯棒性較差，只適合傳統(tǒng)精確小數(shù)據(jù)場景。

5.特征預(yù)處理：標準化

將原始數(shù)據(jù)變換到均值為0，標準差為1的范圍內(nèi)

標準化API：

sklearn.preprocessing.StandardScaler

標準化適合現(xiàn)代嘈雜大數(shù)據(jù)場景，在已有樣本足夠多的情況下比較穩(wěn)定。

6.特征預(yù)處理：缺失值處理

插補：通過缺失值每行或每列的平均值、中位數(shù)來填補(一般按列填補)

API：sklearn.impute.SimpleImputer

數(shù)據(jù)當中的缺失值標記：默認為np.nan

以上就是python機器學(xué)習(xí)基礎(chǔ)特征工程算法詳解的詳細內(nèi)容，更多關(guān)于python機器學(xué)習(xí)特征工程的資料請關(guān)注腳本之家其它相關(guān)文章！