• 使用sklearn进行数据预处理 —— 归一化/标准化/正则化


    一、标准化(Z-Score),或者去除均值和方差缩放

    公式为:(X-mean)/std  计算时对每个属性/每列分别进行。

    将数据按期属性(按列进行)减去其均值,并除以其方差。得到的结果是,对于每个属性/每列来说所有数据都聚集在0附近,方差为1。

    实现时,有两种不同的方式:

    • 使用sklearn.preprocessing.scale()函数,可以直接将给定数据进行标准化。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    >>> from sklearn import preprocessing
    >>> import numpy as np
    >>> X = np.array([[ 1., -1.,  2.],
    ...               [ 2.,  0.,  0.],
    ...               [ 0.,  1., -1.]])
    >>> X_scaled = preprocessing.scale(X)
     
    >>> X_scaled                                         
    array([[ 0.  ..., -1.22...,  1.33...],
           [ 1.22...,  0.  ..., -0.26...],
           [-1.22...,  1.22..., -1.06...]])
     
    >>>#处理后数据的均值和方差
    >>> X_scaled.mean(axis=0)
    array([ 0.,  0.,  0.])
     
    >>> X_scaled.std(axis=0)
    array([ 1.,  1.,  1.])
    • 使用sklearn.preprocessing.StandardScaler类,使用该类的好处在于可以保存训练集中的参数(均值、方差)直接使用其对象转换测试集数据。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    >>> scaler = preprocessing.StandardScaler().fit(X)
    >>> scaler
    StandardScaler(copy=True, with_mean=True, with_std=True)
     
    >>> scaler.mean_                                     
    array([ 1. ...,  0. ...,  0.33...])
     
    >>> scaler.std_                                      
    array([ 0.81...,  0.81...,  1.24...])
     
    >>> scaler.transform(X)                              
    array([[ 0.  ..., -1.22...,  1.33...],
           [ 1.22...,  0.  ..., -0.26...],
           [-1.22...,  1.22..., -1.06...]])
     
     
    >>>#可以直接使用训练集对测试集数据进行转换
    >>> scaler.transform([[-1.1., 0.]])               
    array([[-2.44...,  1.22..., -0.26...]])

    二、将属性缩放到一个指定范围

    除了上述介绍的方法之外,另一种常用的方法是将属性缩放到一个指定的最大和最小值(通常是1-0)之间,这可以通过preprocessing.MinMaxScaler类实现。

    使用这种方法的目的包括:

    1、对于方差非常小的属性可以增强其稳定性。

    2、维持稀疏矩阵中为0的条目。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    >>> X_train = np.array([[ 1., -1.2.],
    ...                     [ 2.0.0.],
    ...                     [ 0.1., -1.]])
    ...
    >>> min_max_scaler = preprocessing.MinMaxScaler()
    >>> X_train_minmax = min_max_scaler.fit_transform(X_train)
    >>> X_train_minmax
    array([[ 0.5       0.        1.        ],
           [ 1.        0.5       0.33333333],
           [ 0.        1.        0.        ]])
     
    >>> #将相同的缩放应用到测试集数据中
    >>> X_test = np.array([[ -3., -1.4.]])
    >>> X_test_minmax = min_max_scaler.transform(X_test)
    >>> X_test_minmax
    array([[-1.5       0.        1.66666667]])
     
     
    >>> #缩放因子等属性
    >>> min_max_scaler.scale_                            
    array([ 0.5       0.5       0.33...])
     
    >>> min_max_scaler.min_                              
    array([ 0.        0.5       0.33...])

    当然,在构造类对象的时候也可以直接指定最大最小值的范围:feature_range=(min, max),此时应用的公式变为:

    X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))

    X_scaled=X_std/(max-min)+min

     

    三、正则化(Normalization)

    正则化的过程是将每个样本缩放到单位范数(每个样本的范数为1),如果后面要使用如二次型(点积)或者其它核方法计算两个样本之间的相似性这个方法会很有用。

    Normalization主要思想是对每个样本计算其p-范数,然后对该样本中每个元素除以该范数,这样处理的结果是使得每个处理后样本的p-范数(l1-norm,l2-norm)等于1。

                 p-范数的计算公式:||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p

    该方法主要应用于文本分类和聚类中。例如,对于两个TF-IDF向量的l2-norm进行点积,就可以得到这两个向量的余弦相似性。

    1、可以使用preprocessing.normalize()函数对指定数据进行转换:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    >>> X = [[ 1., -1.2.],
    ...      [ 2.0.0.],
    ...      [ 0.1., -1.]]
    >>> X_normalized = preprocessing.normalize(X, norm='l2')
     
    >>> X_normalized                                     
    array([[ 0.40..., -0.40...,  0.81...],
           [ 1.  ...,  0.  ...,  0.  ...],
           [ 0.  ...,  0.70..., -0.70...]])

    2、可以使用processing.Normalizer()类实现对训练集和测试集的拟合和转换:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    >>> normalizer = preprocessing.Normalizer().fit(X)  # fit does nothing
    >>> normalizer
    Normalizer(copy=True, norm='l2')
     
    >>>
    >>> normalizer.transform(X)                           
    array([[ 0.40..., -0.40...,  0.81...],
           [ 1.  ...,  0.  ...,  0.  ...],
           [ 0.  ...,  0.70..., -0.70...]])
     
    >>> normalizer.transform([[-1.1., 0.]])            
    array([[-0.70...,  0.70...,  0.  ...]])
  • 相关阅读:
    objectMediator
    vi
    string regex
    ar
    widget class in class
    Makefile 语法分析 第三部分
    在Makefile中的 ".PHONY "是做什么的?
    】openssl移植Android使用及其相关经验分享
    精品Android源码推荐,看了绝不后悔
    Makefile 语法分析 第三部分
  • 原文地址:https://www.cnblogs.com/giserliu/p/4543457.html
Copyright © 2020-2023  润新知