如何查看一个网站流量,哪里有营销型网站最新报价,什么企业需要网站建设,一台vps两个wordpress网站上周参加了学校的数据挖掘竞赛#xff0c;总的来说#xff0c;在还需要人工干预的机器学习相关的任务中#xff0c;主要解决两个问题#xff1a;#xff08;1#xff09;如何将原始的数据处理成合格的数据输入#xff08;2#xff09;如何获得输入数据中的规律。第一个… 上周参加了学校的数据挖掘竞赛总的来说在还需要人工干预的机器学习相关的任务中主要解决两个问题1如何将原始的数据处理成合格的数据输入2如何获得输入数据中的规律。第一个问题的解决方案是特征工程。第二个问题的解决办法是机器学习。 相对机器学习的算法而言特征工程的工作看起来比较low但是特征工程在机器学习中非常重要。特征工程是机器学习系列任务中最耗时、最繁重、最无聊却又是最不可或缺的一部分。这些工作先行者们已经总结的很好作为站在巨人的肩膀上的后来者对他们的工作表示敬意。主要内容转载自http://www.cnblogs.com/jasonfreak/p/5448385.html 这篇文章在该文章的基础上做了添加或修改仍在更新中 特征工程 1、特征工程是什么 工业界流传者这么一句话数据和特征决定了机器学习的上限而模型和算法只是逼近这个上限而已。 那么到底什么是特征工程我们知道数据是信息的载体但是原始的数据包含了大量的噪声信息的表达也不够简练。因此特征工程的目的是通过一系列的工程活动将这些信息使用更高效的编码方式特征表示。使用特征表示的信息信息损失较少原始数据中包含的规律依然保留。此外新的编码方式还需要尽量减少原始数据中的不确定因素白噪声、异常数据、数据缺失…等等的影响。 经过前人的总结特征工程已经形成了接近标准化的流程如下图所示 2、异常数据的清洗和样本的选取 异常数据的清洗目标是将原始数据中异常的数据清除。 上图表示了2015年7月到11月某个地点人流量的变化。数据的分析图可以看到红色的框框内表示了数据的缺失和异常的峰值。这些异常的数据需要在特征的预处理前清除。一般情况下直接将这些数据舍弃。 除了使用肉眼观察的办法来判断数据的合理性工业中更多采用算法或者公式对数据的是否异常进行判断。 1 结合业务情况进行过滤比如去除crawler抓取spam作弊等数据 2 异常点检测采用异常点检测算法对样本进行分析常用的异常点检测算法包括 ² 偏差检测聚类、最近邻等 ² 基于统计的异常点检测 例如极差四分位数间距均差标准差等这种方法适合于挖掘单变量的数值型数据。全距(Range)又称极差是用来表示统计资料中的变异量数(measures of variation) 其最大值与最小值之间的差距四分位距通常是用来构建箱形图以及对概率分布的简要图表概述。 ² 基于距离的异常点检测 主要通过距离方法来检测异常点将数据集中与大多数点之间距离大于某个阈值的点视为异常点主要使用的距离度量方法有绝对距离 ( 曼哈顿距离 ) 、欧氏距离和马氏距离等方法。 ² 基于密度的异常点检测 考察当前点周围密度可以发现局部异常点例如LOF算法 3、数据预处理 通过特征提取我们能得到未经处理的特征这时的特征可能有以下问题 ² 不属于同一量纲即特征的规格不一样不能够放在一起比较。无量纲化可以解决这一问题。 ² 信息冗余对于某些定量特征其包含的有效信息为区间划分例如学习成绩假若只关心“及格”或不“及格”那么需要将定量的考分转换成“1”和“0”表示及格和未及格。二值化可以解决这一问题。 ² 定性特征不能直接使用某些机器学习算法和模型只能接受定量特征的输入那么需要将定性特征转换为定量特征。最简单的方式是为每一种定性值指定一个定量值但是这种方式过于灵活增加了调参的工作。通常使用独热编码的方式将定性特征转换为定量特征假设有N种定性值则将这一个特征扩展为N种特征当原始特征值为第i种定性值时第i个扩展特征赋值为1其他扩展特征赋值为0。独热编码的方式相比直接指定的方式不用增加调参的工作对于线性模型来说使用独热编码后的特征可达到非线性的效果。 ² 存在缺失值缺失值需要补充。 ² 信息利用率低不同的机器学习算法和模型对数据中信息的利用是不同的之前提到在线性模型中使用对定性特征独热编码可以达到非线性的效果。类似地对定量变量多项式化或者进行其他的转换都能达到非线性的效果。 ² 特征缺失在本次的比赛中影响人流量的因素还有天气、温度…等等而这些因素在原始数据中并不存在因此需要在数据预处理的时候将这些影响因素添加进来。 3.1无量纲化 无量纲化使不同规格的数据转换到同一规格。常见的无量纲化方法有标准化和区间缩放法。标准化的前提是特征值服从正态分布标准化后其转换成标准正态分布。区间缩放法利用了边界值信息将特征的取值区间缩放到某个特点的范围例如[0, 1]等。 3.1.1标准化 常用的方法是z-score标准化经过处理后的数据均值为0标准差为1处理方法是 $x\frac{x-\mu}{\delta}$ 1 公式一中x’是标准化后的特征x是原始特征值 是样本均值 是样本标准差。它们可以通过现有样本进行估计。在已有样本足够多的情况下比较稳定适合现代嘈杂大数据场景。 3.1.2 区间缩放法 常用的方法是通过对原始数据进行线性变换把数据映射到[0,1]之间变换函数为 $x\frac{x-\min}{\max-\min} $ 2 其中 min 是样本中最小值 max是样本中最大值注意在数据流场景下最大值与最小值是变化的。另外最大值与最小值非常容易受异常点影响所以这种方法鲁棒性较差只适合传统精确小数据场景。 3.1.3归一化 简单来说标准化是依照特征矩阵的列处理数据其通过求z-score的方法将样本的特征值转换到同一量纲下。归一化是依照特征矩阵的行处理数据其目的在于样本向量在点乘运算或其他核函数计算相似性时拥有统一的标准也就是说都转化为“单位向量”。规则为 的归一化公式如下 $x\frac{x}{\sqrt{\sum_j^m x^2_j}} $ 3 使用preproccessing库的Normalizer类对数据进行归一化的代码如下 3.2 对定量特征二值化离散化[1] 定量特征二值化的核心在于设定一个阈值大于阈值的赋值为1小于等于阈值的赋值为0公式表达如下 $x\left\{\begin{aligned}1, \ \ xthreshold\\0, x\leq threshold\end{aligned}\right.$ 4 3.3 对定性特征进行独热编码 独热编码使用一个二进制的位来表示某个定性特征的出现与否 3.4 缺失值的处理 现实世界中的数据往往非常杂乱未经处理的原始数据中某些属性数据缺失是经常出现的情况。另外在做特征工程时经常会有些样本的某些特征无法求出。下面是几种处理数据中缺失值的主要方法。 3.4.1. 删除 最简单的方法是删除删除属性或者删除样本。如果大部分样本该属性都缺失这个属性能提供的信息有限可以选择放弃使用该维属性如果一个样本大部分属性缺失可以选择放弃该样本。虽然这种方法简单但只适用于数据集中缺失较少的情况。 3.4.2. 统计填充 对于缺失值的属性尤其是数值类型的属性根据所有样本关于这维属性的统计值对其进行填充如使用平均数、中位数、众数、最大值、最小值等具体选择哪种统计值需要具体问题具体分析。另外如果有可用类别信息还可以进行类内统计比如身高男性和女性的统计填充应该是不同的。 3.4.3. 统一填充 对于含缺失值的属性把所有缺失值统一填充为自定义值如何选择自定义值也需要具体问题具体分析。当然如果有可用类别信息也可以为不同类别分别进行统一填充。常用的统一填充值有“空”、“0”、“正无穷”、“负无穷”等。 3.4.4 预测填充 我们可以通过预测模型利用不存在缺失值的属性来预测缺失值也就是先用预测模型把数据填充后再做进一步的工作如统计、学习等。虽然这种方法比较复杂但是最后得到的结果比较好。 3.4.5具体分析 上面两次提到具体问题具体分析为什么要具体问题具体分析呢因为属性缺失有时并不意味着数据缺失缺失本身是包含信息的所以需要根据不同应用场景下缺失值可能包含的信息进行合理填充。下面通过一些例子来说明如何具体问题具体分析仁者见仁智者见智仅供参考 “年收入”商品推荐场景下填充平均值借贷额度场景下填充最小值“行为时间点”填充众数“价格”商品推荐场景下填充最小值商品匹配场景下填充平均值“人体寿命”保险费用估计场景下填充最大值人口估计场景下填充平均值“驾龄”没有填写这一项的用户可能是没有车为它填充为0较为合理”本科毕业时间”没有填写这一项的用户可能是没有上大学为它填充正无穷比较合理“婚姻状态”没有填写这一项的用户可能对自己的隐私比较敏感应单独设为一个分类如已婚1、未婚0、未填-1。 3.5 数据变换 常见的数据变换有基于多项式的、基于指数函数的、基于对数函数的。4个特征度为2的多项式转换公式如下 $(x_1,x_2...x_{15})(1,x_1,x_2,x_3,x_4,x_1^2,x_1*x_2,x_1*x_3,x_1*x_4,x_2^2,x_2*x_3,x_2*x_4,x_3^2,x_3*x_4,x_4^2)$ 5 多项式特征变换目标是将特征两两组合起来使得特征和目标变量之间的的关系更接近线性从而提高预测的效果 4、特征选择 当数据预处理完成后我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说从两个方面考虑来选择特征 特征是否发散如果一个特征不发散例如方差接近于0也就是说样本在这个特征上基本上没有差异这个特征对于样本的区分并没有什么用。特征与目标的相关性这点比较显见与目标相关性高的特征应当优选选择。除方差法外本文介绍的其他方法均从相关性考虑。 根据特征选择的形式又可以将特征选择方法分为3种 Filter过滤法按照发散性或者相关性对各个特征进行评分设定阈值或者待选择阈值的个数选择特征。Wrapper包装法根据目标函数通常是预测效果评分每次选择若干特征或者排除若干特征。Embedded嵌入法先使用某些机器学习的算法和模型进行训练得到各个特征的权值系数根据系数从大到小选择特征。类似于Filter方法但是是通过训练来确定特征的优劣。 我们使用sklearn中的feature_selection库来进行特征选择。 4.1 Filter 4.1.1 方差选择法 使用方差选择法先要计算各个特征的方差然后根据阈值选择方差大于阈值的特征。 4.1.2 相关系数法 使用相关系数法先要计算各个特征对目标值的相关系数以及相关系数的P值。 4.1.3 卡方检验 经典的卡方检验是检验定性自变量对定性因变量的相关性。假设自变量有N种取值因变量有M种取值考虑自变量等于i且因变量等于j的样本频数的观察值与期望的差距构建统计量 $x^2\sum\frac{(A-E)^2}{E} $ 6 这个统计量的含义简而言之就是自变量对因变量的相关性。选择卡方值排在前面的K个特征作为最终的特征选择 4.1.4 互信息法 经典的互信息也是评价定性自变量对定性因变量的相关性的互信息计算公式如下 $I(X:Y)\sum_{x\in X}\sum_{y\in Y}p(x,y)log\frac{p(x,y)}{p(x)p(y)}$ 7 同理选择互信息排列靠前的特征作为最终的选取特征 4.2 Wrapper 4.2.1 递归特征消除法 递归消除特征法使用一个基模型来进行多轮训练每轮训练后消除若干权值系数的特征再基于新的特征集进行下一轮训练。 4.3 Embedded 4.3.1 基于惩罚项的特征选择法 使用带惩罚项的基模型除了筛选出特征外同时也进行了降维。由于$L_1$范数有筛选特征的作用因此训练的过程中如果使用了$L_1$范数作为惩罚项可以起到特征筛选的效果 4.3.2 基于树模型的特征选择法 训练能够对特征打分的预选模型GBDT、RandomForest和Logistic Regression等都能对模型的特征打分通过打分获得相关性后再训练最终模型 GBDT: http://breezedeus.github.io/2014/11/19/breezedeus-feature-mining-gbdt.html 4.4 特征组合 通过特征组合后再来选择特征如对用户id和用户特征最组合来获得较大的特征集再来选择特征这种做法在推荐系统和广告系统中比较常见 5、降维 当特征选择完成后可以直接训练模型了但是可能由于特征矩阵过大导致计算量大训练时间长的问题因此降低特征矩阵维度也是必不可少的。常见的降维方法除了以上提到的基于L1惩罚项的模型以外另外还有主成分分析法PCA和线性判别分析LDA线性判别分析本身也是一个分类模型。PCA和LDA有很多的相似点其本质是要将原始的样本映射到维度更低的样本空间中但是PCA和LDA的映射目标不一样PCA是为了让映射后的样本具有最大的发散性而LDA是为了让映射后的样本有最好的分类性能。所以说PCA是一种无监督的降维方法而LDA是一种有监督的降维方法。 5.1 主成分分析法PCA 使用decomposition库的PCA类选择特征的代码如下 1from sklearn.decomposition import PCA 2 3#主成分分析法返回降维后的数据 4#参数n_components为主成分数目 5 PCA(n_components2).fit_transform(iris.data) 5.2 线性判别分析法LDA 使用lda库的LDA类选择特征的代码如下 1from sklearn.lda import LDA 2 3#线性判别分析法返回降维后的数据 4#参数n_components为降维后的维数 5 LDA(n_components2).fit_transform(iris.data, iris.target) 参考文献 1维基百科 转载于:https://www.cnblogs.com/weibao/p/6252280.html
