摘要:得分与距离均值的标准偏差数相关。不过,在我们的模型中将表示为浮点特征将其看为一个浮点数,以它的数值大小为特征没有意义。清查截至目前,我们假定用于训练和测试的所有数据都是值得信赖的。良好的机器学习依赖于良好的数据。
特征工程
我们在进行机器学习的时候,采用的数据样本往往是矢量(特征矢量),而我们的原始数据并不是以矢量的形式呈现给我们的,这是便需要将数据映射到特征
整数和浮点数映射直接映射便ok(虽然机器学习是根据浮点值进行的训练,但是不需要将整数6转换为6.0,这个过程是默认的)
字符串映射好多时候,有的特征是字符串,比如此前训练的加利福尼亚房产数据集中的街区名称,机器学习是无法根据字符串来学习规律的,所以需要转换。但是存在一个问题,如果字符特征是""一环"" ""二环"" ""三环""...(代表某个城市的地理位置),那么对其进行数值转换的时候,是不可以编码为形如1,2,3,4...这样的数据的,因为其存在数据大小的问题,学习模型会把他们的大小关系作为特征而学习,所以我们需要引入独热编码,(具体解释见链接,解释的很好)
寻找良好特征(的特点)当得到特征之后,还是要进行筛选的,因为有的特征没有参考价值,就像我们的在做合成特征的时候,正常的特征数据是人均几间房间,而有的人是几十间,这明显没有参考价值
良好特征的几点原则
避免很少使用的离散特征值:如果只是出现了一两次的特征几乎是没有意义的
最好具有清晰明确的含义:特征的含义不仅仅是让机器学习的模型学习的,人也要知道其具体的含义,不然不利于分析数据(最好将数值很大的秒转换为天数,或者年,让人看起来直观一些)
将“神奇”的值与实际数据混为一谈:有些特征中会出现一些"神奇的数据",当然这些数据并不是很少的特征,而是超出范围的异常值,比如特征应该是介于0——1之间的,但是因为这个数据是空缺的,而采用的默认数值-1,那么这样的数值就是"神奇",解决办法是,将该特征转换为两个特征:
一个特征只存储质正常范围的值,不含神奇值。
一个特征存储布尔值,表示的信息为是否为空
考虑上游不稳定性:由经验可知,特征的定义不应随时间发生变化,代表城市名称的话,那么特征值始终都该是城市的名称,但是有的时候,上游模型将特征值处理完毕后,返还给下游模型的却变成了数值,这样是不好的,因为这种表示在未来运行其他模型时可能轻易发生变化,那么特征就乱套了
清理数据(整理数据)清理数据,顾名思义,就是将数据清理(整理一下).....好像是废话。
在上一步后,我们现在得到的数据已经全部是数值化的特征了,(这里肯定有但是的),但是,这样的数据直接拿过来训练效果还是会很糟糕,因为其中存在许许多多的坏数据,就是一些值不是那么正常的数据,像之前说的那种数值特别大的就属于这一种,当然除了数值异常的还有许许多多种的坏数据,下面就来看一看有哪些方法对付这些妖艳贱货
缩放是指将浮点特征值从自然范围(例如 100 到 900)转换为标准范围(例如 0 到 1 或 -1 到 +1)。如果某个特征集只包含一个特征,则缩放可以提供的实际好处微乎其微或根本没有。不过,如果特征集包含多个特征,则缩放特征可以带来以下优势:
帮助梯度下降法更快速地收敛(各个特征数值小,这样算的跨的步子大呀)。
帮助避免“NaN 陷阱”。当某个值在训练期间超出浮点精确率限制时,数值会变成NaN,并且模型中的所有其他数值最终也会因数学运算而变成 NaN。( NaN)
_NaN_,是Not a Number的缩写,在IEEE浮点数算术标准(IEEE 754)中定义,表示一些特殊数值(无穷与非数值(_NaN_)),为许多CPU与浮点运算器所采用。
帮助模型为每个特征确定合适的权重。如果没有进行特征缩放,则模型会对范围较大的特征投入过多精力。(因为如果其他的特征范围过大,模型在训练的时候会认为此种模型的权值大,进而影响模型的判断)
由上可知,我们并不需要对每个浮点特征进行完全相同的缩放。即使特征 A 的范围是 -1 到 +1,同时特征 B 的范围是 -3 到 +3,也不会产生什么恶劣的影响。不过,如果特征 B 的范围是 5000 到 100000,您的模型会出现糟糕的响应。
要缩放数字数据,一种显而易见的方法是将 [最小值,最大值] 以线性方式映射到较小的范围,例如 [-1,+1]。
另一种热门的缩放策略是计算每个值的 Z 得分。Z 得分与距离均值的标准偏差数相关。换而言之:
scaledvalue=(value−mean)/stddev.
例如,给定以下条件: * 均值 = 100 * 标准偏差 = 20 * 原始值 = 130 则: scaled_value = (130 - 100) / 20 scaled_value = 1.5 使用 Z 得分进行缩放意味着,大多数缩放后的值将介于 -3 和 +3 之间,而少量值将略高于或低于该范围。处理极端离群值
还是举加利福尼亚州住房数据集中的人均住房数的例子,有的极端值达到了50
对于这些极端值其实很好处理,无非几个办法
对数缩放
特征值限制到 某个上限或者下限
分箱分箱其实是一个形象化的说法,就是把数据分开来,装在一个个箱子里,这样一个箱子里的数据就是一家人了。
那有什么用呢?下面就举个栗子!
在数据集中,latitude 是一个浮点值(因为是按照一片区域统计的,所以纬度肯的增长肯定是线性的了)。不过,在我们的模型中将 latitude 表示为浮点特征(将其看为一个浮点数,以它的数值大小为特征)没有意义。这是因为纬度和房屋价值之间不存在线性关系(并不是那种纬度高房价就高)。例如,纬度 35 处的房屋并不比纬度 34 处的房屋贵 35/34(或更便宜)。但是,纬度或许能很好地预测房屋价值(在训练之前,我们也不知道能不能呢,但是从之前的散点图可以看出来,房价和位置的分布好像是有关系的,所以我们把纬度也作为特征),因为不是呈线性的关系了,所以把它作为分类特征会更好。(如果无法理解的话,就好好想想模型会怎么处理数值数据和分类数据),所以接下来我们将其分箱处理,如下图。
我们现在拥有 11 个不同的布尔值特征(LatitudeBin1、LatitudeBin2、…、LatitudeBin11),而不是一个浮点特征。拥有 11 个不同的特征有点不方便,因此我们将它们统一成一个 11 元素矢量。这样做之后,我们可以将纬度 37.4 表示为:
[0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0]
分箱之后,我们的模型现在可以为每个纬度学习完全不同的权重。(是不是觉得有点像独热编码,没错,就是的)
为了简单起见,我们在纬度样本中使用整数作为分箱边界。如果我们需要更精细的解决方案,我们可以每隔 1/10 个纬度拆分一次分箱边界。添加更多箱可让模型从纬度 37.4 处学习和维度 37.5 处不一样的行为,但前提是每 1/10 个纬度均有充足的样本可供学习。清查另一种方法是按分位数分箱,这种方法可以确保每个桶内的样本数量是相等的。按分位数分箱完全无需担心离群值。
截至目前,我们假定用于训练和测试的所有数据都是值得信赖的。在现实生活中,数据集中的很多样本是不可靠的,原因有以下一种或多种:
遗漏值。 例如,有人忘记为某个房屋的年龄输入值。(值会为-1,所以要分为两个特征,忘了的看上面)
重复样本。 例如,服务器错误地将同一条记录上传了两次。
不良标签。 例如,有人错误地将一颗橡树的图片标记为枫树。
不良特征值。 例如,有人输入了多余的位数,或者温度计被遗落在太阳底下。
一旦检测到存在这些问题,通常需要将相应样本从数据集中移除,从而“修正”不良样本。要检测遗漏值或重复样本,可以编写一个简单的程序。检测不良特征值或标签可能会比较棘手。
除了检测各个不良样本之外,还必须检测集合中的不良数据。直方图是一种用于可视化集合中数据的很好机制。此外,收集如下统计信息也会有所帮助:
最大值和最小值
均值和中间值
标准偏差
考虑生成离散特征的最常见值列表,靠常识来判断是否合理,是否适合自己观察数据
了解数据遵循以下规则:
记住您预期的数据状态。
确认数据是否满足这些预期(或者您可以解释为何数据不满足预期)。
仔细检查训练数据是否与其他来源(例如信息中心)的数据一致。
像处理任何任务关键型代码一样谨慎处理您的数据。良好的机器学习依赖于良好的数据。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/44676.html
此篇文章主要是给大家介绍了Python办公系统批量编辑文档完成实例详细说明,感兴趣的小伙伴可以参考借鉴一下,希望可以有一定的帮助,祝愿大家多多的发展,尽早工作上得到晋升。 前言 说起在工作上最让人头大的便是用这样的方法解决一大堆文件夹中文档,这其实并不难,但是却繁。因此当遇到脚踏式的操作过程中一定要注意应用Python来有效懒惰!这次我会以解决微博热搜榜数据信息来实例怎么使用Python批...
小编写这篇文章的主要目的,主要是用来给大家解释,Python Sklearn当中,一些实用的隐藏功能,大概有19条,这些实用的隐藏技能,会给我们的工作和生活带来很大的便利性,具体下文就给大家详细的介绍一下。 今天跟大家介绍19个Sklearn中超级实用的隐藏的功能,这些功能虽然不常见,但非常实用,它们可以直接优雅地替代手动执行的常见操作。接下来我们就一个一个介绍这些功能,希望对大家有所帮助!...
摘要:经过长久的内部测试,现已经上线洛杉矶的第二个云基础设施可用区,洛杉矶标签线路下的日志线路,与洛杉矶第一个可用区一样,增加了硬件设备清洗,且基础版清洗服务默认开通,供您免费使用。CUBECLOUD怎么样,CUBECLOUD好不好,CUBECLOUD(魔方云)成立于2016年,亚太互联网络信息中心(APNIC)会员,全线产品均为完全自营,专业数据灾备冗余,全部产品均为SSD阵列,精品网络CN2(...
摘要:为了满足越来越多防护业务量的需求,因此内地高防在枣庄扩增了一个高防机房,现枣庄高防机房已上线使用,可以用于为大陆地区提供业务覆盖的用户保驾护航。产品特点枣庄高防即为我们的内地高防产品,功能和性能和内地高防保持一致。为了满足越来越多DDoS防护业务量的需求,因此内地高防在枣庄扩增了一个高防机房,现枣庄高防机房已上线使用,可以用于为大陆地区提供业务覆盖的用户保驾护航。【产品特点】枣庄高防即为我们...
阅读 1868·2021-11-22 09:34
阅读 1141·2021-10-09 09:44
阅读 3001·2021-09-29 09:35
阅读 3617·2021-09-14 18:01
阅读 1465·2021-08-16 10:49
阅读 1084·2019-08-29 14:11
阅读 849·2019-08-29 12:47
阅读 3068·2019-08-26 13:47