python机器学习基础特征工程算法详解

一、机器学习概述

机器学习是从数据中，自动分析获得规律（模型），并利用规律对未知数据进行预测。

二、数据集的构成

1.数据集存储

机器学习的历史数据通常使用csv文件存储。

不用mysql的原因：

1、文件大的话读取速度慢；

2、格式不符合机器学习要求的格式

2.可用的数据集

Kaggle：大数据竞赛平台、80万科学家、真实数据、数据量巨大

Kaggle网址：https://www.kaggle.com/datasets

UCI：360个数据集、覆盖科学生活经济等领域、数据量几十万

UCI数据集网址： http://archive.ics.uci.edu/ml/

scikit-learn：数据量较小、方便学习

scikit-learn网址：http://scikit-learn.org/stable/datasets/index.html#datasets

3.常用数据集的结构

特征值（用以判断目标值所用的条件：比如房子的面积朝向等）+目标值（希望实现的目标：比如房子价格）

有些数据集可以没有目标值。

三、特征工程

”将原始数据转换为能更好地代表预测模型的潜在问题的特征“的过程，叫做特征工程，能够提高对未知数据的预测准确性。特征如果不好，很可能即使算法好，结果也不会尽如人意。

pandas可用于数据读取、对数据的基本处理

sklearn有更多对于特征的处理的强大的接口

特征抽取：

特征抽取API：sklearn.feature_extraction

1.字典数据特征抽取

API：sklearn.feature_extraction.DictVectorizer

语法如下：

字典数据抽取：将字典中的类别数据分别进行转换为特征数据。因此，如果输入的是数组形式，并且有类别的这些特征，需要先转换成字典数据，然后进行抽取。

2.文本特征抽取

Count

类：sklearn.feature_extraction.text.CountVectorizer

用法：

 

1.统计所有文章当中所有的词，重复的只看做一次
2.对每篇文章，在词的列表里面，统计每个词出现的次数
3.单个字母不统计

注意：该方法默认不支持中文，每个中文汉字被视为一个英文字母，中间有空格或者逗号就会被分开，同样的，一个汉字不予统计。（中文可使用jieba分词：pip install jieba，使用：jieba.cut("我是一个程序员")）

3.文本特征抽取：tf-idf

上面的countvec不能处理中性词比如“明天，中午，因为”等。于是可以使用tfidf方法。

tf：term frequency词频(和countvec方法一样)

idf：inverse document frequency逆文档频率 log(总文档数量/该词出现的文档数)

tf * idf 重要性程度

类：sklearn.feature_extraction.text.TfidfVectorizer

4.特征预处理：归一化

特征预处理：通过特定的统计方法，将数据转换为算法要求的数据

特征预处理API：sklearn.preprocessing

归一化API：sklearn.preprocessing.MinMaxScaler

多个特征同等重要并且特征数据之间差距较大的时候，进行归一化。但归一化容易受异常点的影响，因此该方法鲁棒性较差，只适合传统精确小数据场景。

5.特征预处理：标准化

将原始数据变换到均值为0，标准差为1的范围内

标准化API：

sklearn.preprocessing.StandardScaler

标准化适合现代嘈杂大数据场景，在已有样本足够多的情况下比较稳定。

6.特征预处理：缺失值处理

插补：通过缺失值每行或每列的平均值、中位数来填补(一般按列填补)

API：sklearn.impute.SimpleImputer

数据当中的缺失值标记：默认为np.nan