网站防红链接怎么做,wordpress 走马灯,网站建设课程考核方案,现在用什么工具做网站好前面我们已经学习了识别数据缺失值已经对缺失值进行处理的方法#xff0c;但是KNN的准确率都不是很高#xff0c;今天我们继续进行数据探索进一步增强机器学习流水线#xff1b;
通过数据直方图可以看到数据中的列的均值、最大值、最小值等差别很大#xff1b;
from skle…前面我们已经学习了识别数据缺失值已经对缺失值进行处理的方法但是KNN的准确率都不是很高今天我们继续进行数据探索进一步增强机器学习流水线
通过数据直方图可以看到数据中的列的均值、最大值、最小值等差别很大
from sklearn.impute import SimpleImputerimputer SimpleImputer(strategymean)
pima_imputed imputer.fit_transform(pima)
pima_imputed pd.DataFrame(pima_imputed, columnspima_column_names)
pima_imputed.hist(figsize(15, 15))
plt.show()通过describe方法从数值上可以看到这个差别diastolic_blood_pressure列的舒张压在24122年龄是2181
print(pima_imputed.describe())
# times_pregnant plasma_glucose_concentration diastolic_blood_pressure triceps_thickness serum_insulin bmi pedigree_function age onset_diabetes
# count 768.000000 768.000000 768.000000 768.000000 768.000000 768.000000 768.000000 768.000000 768.000000
# mean 3.845052 121.686763 72.405184 29.153420 155.548223 32.457464 0.471876 33.240885 0.348958
# std 3.369578 30.435949 12.096346 8.790942 85.021108 6.875151 0.331329 11.760232 0.476951
# min 0.000000 44.000000 24.000000 7.000000 14.000000 18.200000 0.078000 21.000000 0.000000
# 25% 1.000000 99.750000 64.000000 25.000000 121.500000 27.500000 0.243750 24.000000 0.000000
# 50% 3.000000 117.000000 72.202592 29.153420 155.548223 32.400000 0.372500 29.000000 0.000000
# 75% 6.000000 140.250000 80.000000 32.000000 155.548223 36.600000 0.626250 41.000000 1.000000
# max 17.000000 199.000000 122.000000 99.000000 846.000000 67.100000 2.420000 81.000000 1.000000在直方图中让所有的列共享数据轴可以看到所有的数据尺寸都是不一样的有一些列已经无法显示图形了
pima_imputed.hist(figsize(15, 15), shareyTrue, sharexTrue)
plt.show()对于上面的问题我们可以选用某种归一化操作在机器学习流水线上处理该问题归一化操作旨在将行和列对齐并转化为一致的规则标准化通过确保所有行和列在机器学习中得到平等对待让数据的处理保持一致。 下边我们将尝试3种数据归一化方法 ❏ z分数标准化 ❏ min-max标准化 ❏ 行归一化。
Z分数标准化
z分数标准化是最常见的标准化技术利用了统计学里简单的z分数标准分数思想。z分数标准化的输出会被重新缩放使均值为0、标准差为1。通过缩放特征、统一化均值和方差标准差的平方可以让KNN这种模型达到最优化而不会倾向于较大比例的特征。公式很简单对于每列用这个公式替换单元格
z (x- μ) / σ我们利用刚才的公式计算plasma_glucose_concentration的z分数
pgc_std pima_imputed[plasma_glucose_concentration].std()
pgc_mean pima_imputed[plasma_glucose_concentration].mean()
pgc_z (pima_imputed[plasma_glucose_concentration]-pgc_mean)/pgc_std
print(pgc_z.head())
# 0 0.864545
# 1 -1.205376
# 2 2.014501
# 3 -1.073952
# 4 0.503130
# Name: plasma_glucose_concentration, dtype: float64通过直方图可以看到plasma_glucose_concentration处理之前的横轴分布在40到200之间
pgc_field_name plasma_glucose_concentration
ax pima_imputed[pgc_field_name].hist()
ax.set_title(Distribution of pgc)
plt.show()sklearn提供了StandardScaler来计算z分数
from sklearn.preprocessing import StandardScalerscaler StandardScaler()
pgc_z_standardized scaler.fit_transform(pima_imputed[[pgc_field_name]])
print(pgc_z_standardized.mean())
print(pgc_z_standardized.std())
# -3.561965537339044e-16
# 1.0从处理后的直方图可以看到横轴的分布范围在-2.6到2.6之间数据分布变密了
ax pd.Series(pgc_z_standardized.reshape(-1,)).hist()
ax.set_title(Distribution of pgc after Z Score Scaling)
plt.show()现在我们对数据集的所有字段都进行z分数计算然后通过直方图可以看到横轴的数值分布在-2.5到7.5之间
scaler StandardScaler()
pima_imputed_z pd.DataFrame(scaler.fit_transform(pima_imputed), columnspima_column_names)
pima_imputed_z.hist(figsize(15, 15), sharexTrue)
plt.show()我们将StandardScaler插入之前的机器学习流水线中
onset_field_name onset_diabetes
knn_params {imputer__strategy:[mean, median], classify__n_neighbors:[1, 2, 3, 4, 5, 6, 7]}
knn KNeighborsClassifier()
pipe_z Pipeline([(imputer, SimpleImputer()), (standardize, StandardScaler()), (classify, knn)])
X pima.drop(onset_field_name, axis1)
y pima[onset_field_name]
grid GridSearchCV(pipe_z, knn_params)
grid.fit(X, y)
print(grid.best_score_, grid.best_params_)# 0.7539173245055598 {classify__n_neighbors: 7, imputer__strategy: mean}min-max标准化
min-max标准化和z分数标准化类似因为它也用一个公式替换列中的每个值。此处的公式是
m(X-Xmin)/(Xmax-Xmin)我们使用sklearn内置的MinMaxScaler进行处理可以看到处理之后最小值都变成了0最大值都变成了1这种缩放的副作用是标准差都非常小。这有可能不利于某些模型因为异常值的权重降低了。
from sklearn.preprocessing import MinMaxScalerscaler MinMaxScaler()
pima_min_maxed pd.DataFrame(scaler.fit_transform(pima_imputed), columnspima_column_names)
print(pima_min_maxed.describe())
# times_pregnant plasma_glucose_concentration diastolic_blood_pressure triceps_thickness serum_insulin bmi pedigree_function age onset_diabetes
# count 768.000000 768.000000 768.000000 768.000000 768.000000 768.000000 768.000000 768.000000 768.000000
# mean 0.226180 0.501205 0.493930 0.240798 0.170130 0.291564 0.168179 0.204015 0.348958
# std 0.198210 0.196361 0.123432 0.095554 0.102189 0.140596 0.141473 0.196004 0.476951
# min 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
# 25% 0.058824 0.359677 0.408163 0.195652 0.129207 0.190184 0.070773 0.050000 0.000000
# 50% 0.176471 0.470968 0.491863 0.240798 0.170130 0.290389 0.125747 0.133333 0.000000
# 75% 0.352941 0.620968 0.571429 0.271739 0.170130 0.376278 0.234095 0.333333 1.000000
# max 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000
我们将MinMaxScaler插入之前的机器学习流水线中
knn_params {imputer__strategy: [mean, median], classify__n_neighbors: [1, 2, 3, 4, 5, 6, 7]}
knn KNeighborsClassifier()
pipe_z Pipeline([(imputer, SimpleImputer()), (standardize, MinMaxScaler()), (classify, knn)])
X pima.drop(onset_field_name, axis1)
y pima[onset_field_name]
grid GridSearchCV(pipe_z, knn_params)
grid.fit(X, y)
print(grid.best_score_, grid.best_params_)
# 0.7630336983278159 {classify__n_neighbors: 7, imputer__strategy: median}行归一化
行归一化不是计算每列的统计值均值、最小值、最大值等而是会保证每行有单位范数unit norm意味着每行的向量长度相同。想象一下如果每行数据都在一个n维空间内那么每行都有一个向量范数长度。 pima数据集有8个字段可以看做是有8个维度的向量空间我们可以使用L2范数计算向量的长度
我们可以利用公式直接计算矩阵的平均范数
pima_l2 np.sqrt((pima_imputed**2).sum(axis1))
pima_l2_mean pima_l2.mean()
print(pima_l2_mean)
# 223.36222025823747我们使用sklearn内置的Normalizer进行归一化处理处理之后所有行的范数都是1
from sklearn.preprocessing import Normalizernormalizer Normalizer()
pima_row_normalized pd.DataFrame(normalizer.fit_transform(pima_imputed), columns pima_column_names)
pima_row_normalized_l2 np.sqrt((pima_row_normalized**2).sum(axis1))
pima_row_normalized_l2_mean pima_row_normalized_l2.mean()
print(pima_row_normalized_l2_mean)
# 1.0我们将Normalizer插入之前的机器学习流水线中
knn_params {imputer__strategy: [mean, median], classify__n_neighbors: [1, 2, 3, 4, 5, 6, 7]}
knn KNeighborsClassifier()
pipe_z Pipeline([(imputer, SimpleImputer()), (normalize, Normalizer()), (classify, knn)])
X pima.drop(onset_field_name, axis1)
y pima[onset_field_name]
grid GridSearchCV(pipe_z, knn_params)
grid.fit(X, y)
print(grid.best_score_, grid.best_params_)
# 0.6980052627111452 {classify__n_neighbors: 7, imputer__strategy: median}
