一、數(shù)據(jù)降維

機器學(xué)習(xí)中的維度就是特征的數(shù)量，降維即減少特征數(shù)量。降維方式有：特征選擇、主成分分析。

1.特征選擇

當(dāng)出現(xiàn)以下情況時，可選擇該方式降維：

①冗余：部分特征的相關(guān)度高，容易消耗計算性能

②噪聲：部分特征對預(yù)測結(jié)果有影響

特征選擇主要方法：過濾式（VarianceThreshold）、嵌入式（正則化、決策樹）

過濾式：

sklearn特征選擇API

sklearn.feature_selection.VarianceThreshold

注意：沒有最好的方差選擇，需要根據(jù)實際效果選擇方差。

2.主成分分析（PCA）

API：sklearn.decomposition

主成分分析會盡可能降低原數(shù)據(jù)的維數(shù)，損失少量信息。當(dāng)特征數(shù)量達到上百的時候，就需要考慮主成分分析?？梢韵鳒p回歸分析或者聚類分析中特征的數(shù)量。

PCA語法：

里面的n_components通常填0-1的小數(shù)，代表保留百分之多少的數(shù)據(jù)，比如0.95意思是保留95%的數(shù)據(jù)。通常在0.9-0.95之間

3.降維方法使用流程

例如：研究用戶和購買物品類別的關(guān)系，數(shù)據(jù)有不同的表格存儲，均為csv文件，但所需的兩者“用戶”和“購買物品類別”，存在于不同的表中。則可以按照以下流程進行：

1.觀察各個表格的鍵，通過相同的鍵對表格進行合并，使用pandas.merge(表1,表2,鍵1,鍵2)方法，其中鍵1和鍵2相同。經(jīng)過多次合并，最終將兩個目標(biāo)合并到一張表中。

2.通過交叉表pd.crosstab(合并后的表['用戶'], 合并后的表['物品類別'])，建立一個以用戶為行，以物品類別為列的數(shù)據(jù)表。

3.對表格進行數(shù)據(jù)的降維，可以使用PCA(n_components=0.9)，保留90%的有效信息，輸出降維后的數(shù)據(jù)。即可有效減少維度，并確保留存90%的有效信息。

二、機器學(xué)習(xí)開發(fā)流程

1.機器學(xué)習(xí)算法分類

數(shù)據(jù)類型：

離散型：區(qū)間內(nèi)不可分，通常是在分類型問題中。

連續(xù)型：區(qū)間內(nèi)可分，通常是在預(yù)測型問題中。

算法分類：

算法總體分為兩類，監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。

①監(jiān)督學(xué)習(xí)包含特征值+目標(biāo)值，算法又分為兩小類，分類算法和回歸算法。

分類算法：k-近鄰算法、貝葉斯分類、決策樹與隨機森林、邏輯回歸、神經(jīng)網(wǎng)絡(luò)

回歸算法：線性回歸、嶺回歸

②無監(jiān)督學(xué)習(xí)只有特征值，通常是聚類算法：k-means

2.機器學(xué)習(xí)開發(fā)流程

機器學(xué)習(xí)開發(fā)首先需要有數(shù)據(jù)，數(shù)據(jù)來源可能有以下幾種：公司本身有數(shù)據(jù)、合作過來的數(shù)據(jù)、購買的數(shù)據(jù)。

具體開發(fā)流程如下：

①明確實際問題做什么：根據(jù)目標(biāo)值數(shù)據(jù)類型，建立模型，劃分應(yīng)用種類。看看是分類問題還是預(yù)測問題。

②數(shù)據(jù)的基本處理：使用pandas處理數(shù)據(jù)，缺失值，合并表等等。

③特征工程：對數(shù)據(jù)特征進行處理（重要）。

④找到合適的算法去進行預(yù)測。

⑤模型的評估，判定效果→上線使用，以API形式提供；若模型評估沒有合格：換算法、參數(shù)，特征工程

sklearn數(shù)據(jù)集的使用：

通常在使用前會對數(shù)據(jù)集進行劃分，從數(shù)據(jù)中拿出約75%作為訓(xùn)練集、25%作為測試集。也可以0.8/0.2等。通常0.75/0.25是使用最多的。

sklearn數(shù)據(jù)集劃分API：sklearn.model_selection.train_set_split

sklearn數(shù)據(jù)集API：

獲取數(shù)據(jù)集返回的類型：

數(shù)據(jù)集進行分割：

用于分類的大數(shù)據(jù)集：

sklearn回歸數(shù)據(jù)集：

三、轉(zhuǎn)換器與估計器

1.轉(zhuǎn)換器

在數(shù)據(jù)處理中用到的fit_tansform方法中，其實可以拆分為fit方法和transform方法。

fit_transform() = fit() + transform()

若直接使用fit_transform()，則是對輸入的數(shù)據(jù)進行求平均值、標(biāo)準(zhǔn)差，并使用它們進行數(shù)據(jù)處理最終輸出結(jié)果。

如果拆開的話：

fit()：輸入數(shù)據(jù)，計算平均值，標(biāo)準(zhǔn)差等，不進行后續(xù)工作。

transform()：使用fit計算好的內(nèi)容進行轉(zhuǎn)換。

也就是說可以通過fit()方法，生成1個數(shù)據(jù)對應(yīng)的標(biāo)準(zhǔn)，使用這個標(biāo)準(zhǔn)，對其他數(shù)據(jù)，通過transform方法進行轉(zhuǎn)換。

2.估計器

估計器就是已經(jīng)實現(xiàn)了的算法的API，可以直接調(diào)用，輸入相關(guān)數(shù)據(jù)，對結(jié)果進行預(yù)測等。

估計器工作流程：

1.調(diào)用fit(x_train, y_train)，輸入訓(xùn)練集

2.輸入測試集的數(shù)據(jù)（x_test, y_test），調(diào)用不同接口可得不同結(jié)果

API①：y_predict = predict(x_test)，該接口可獲得算法對y的預(yù)測值。

API②：score(x_test, y_test) ，該接口可獲得預(yù)測的準(zhǔn)確率。

以上就是python機器學(xué)習(xí)算法與數(shù)據(jù)降維分析詳解的詳細(xì)內(nèi)容，更多關(guān)于python機器學(xué)習(xí)算法與數(shù)據(jù)降維的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論