目錄
- 1 標(biāo)準(zhǔn)化
- 2 歸一化
- 3 正則化
- 4 離散化
- 5 白化
機(jī)器學(xué)習(xí)的本質(zhì)是從數(shù)據(jù)集中發(fā)現(xiàn)數(shù)據(jù)內(nèi)在的特征，而數(shù)據(jù)的內(nèi)在特征往往被樣本的規(guī)格、分布范圍等外在特征所掩蓋。數(shù)據(jù)預(yù)處理正是為了最大限度地幫助機(jī)器學(xué)習(xí)模型或算法找到數(shù)據(jù)內(nèi)在特征所做的一系列操作，這些操作主要包括標(biāo)準(zhǔn)化、歸一化、正則化、離散化和白化等。
1 標(biāo)準(zhǔn)化
假定樣本集是二維平面上的若干個(gè)點(diǎn)，橫坐標(biāo) x 分布于區(qū)間 [0,100] 內(nèi)，縱坐標(biāo) y 分布于區(qū)間 [0,1] 內(nèi)。顯然，樣本集的 x 特征列和 y 特征列的動(dòng)態(tài)范圍相差巨大，對(duì)于機(jī)器學(xué)習(xí)模型（如k-近鄰或 k-means 聚類(lèi)）的影響也會(huì)有顯著差別。標(biāo)準(zhǔn)化處理正是為了避免某一個(gè)動(dòng)態(tài)范圍過(guò)大的特征列對(duì)計(jì)算結(jié)果造成影響，同時(shí)還可以提升模型精度。標(biāo)準(zhǔn)化的實(shí)質(zhì)是對(duì)樣本集的每個(gè)特征列減去該特征列均值進(jìn)行中心化，再除以標(biāo)準(zhǔn)差進(jìn)行縮放。
Scikit-learn的預(yù)處理子模塊preprocessing提供了一個(gè)快速標(biāo)準(zhǔn)化函數(shù)scale()，使用該函數(shù)可以直接返回標(biāo)準(zhǔn)化后的數(shù)據(jù)集，其代碼如下。
>>> import numpy as np
>>> from sklearn import preprocessing as pp
>>> d = np.array([[ 1., -5., 8.], [ 2., -3., 0.], [ 0., -1., 1.]])
>>> d_scaled = pp.scale(d) # 對(duì)數(shù)據(jù)集d做標(biāo)準(zhǔn)化
>>> d_scaled
array([[ 0. , -1.22474487, 1.40487872],
[ 1.22474487, 0. , -0.84292723],
[-1.22474487, 1.22474487, -0.56195149]])
>>> d_scaled.mean(axis=0) # 標(biāo)準(zhǔn)化以后的數(shù)據(jù)集，各特征列的均值為0
array([0., 0., 0.])
>>> d_scaled.std(axis=0) # 標(biāo)準(zhǔn)化以后的數(shù)據(jù)集，各特征列的標(biāo)準(zhǔn)差為1
array([1., 1., 1.])
預(yù)處理子模塊 preprocessing 還提供了一個(gè)實(shí)用類(lèi) StandardScaler，它保存了訓(xùn)練集上各特征列的平均值和標(biāo)準(zhǔn)差，以便以后在測(cè)試集上應(yīng)用相同的變換。此外，實(shí)用類(lèi)StandardScaler 還可以通過(guò) with_mean 和 with_std 參數(shù)指定是否中心化和是否按標(biāo)準(zhǔn)差縮放，其代碼如下。
>>> import numpy as np
>>> from sklearn import preprocessing as pp
>>> X_train = np.array([[ 1., -5., 8.], [ 2., -3., 0.], [ 0., -1., 1.]])
>>> scaler = pp.StandardScaler().fit(X_train)
>>> scaler
StandardScaler(copy=True, with_mean=True, with_std=True)
>>> scaler.mean_ # 訓(xùn)練集各特征列的均值
array([ 1., -3., 3.])
>>> scaler.scale_ # 訓(xùn)練集各特征列的標(biāo)準(zhǔn)差
array([0.81649658, 1.63299316, 3.55902608])
>>> scaler.transform(X_train) # 標(biāo)準(zhǔn)化訓(xùn)練集
array([[ 0. , -1.22474487, 1.40487872],
[ 1.22474487, 0. , -0.84292723],
[-1.22474487, 1.22474487, -0.56195149]])
>>> X_test = [[-1., 1., 0.]] # 使用訓(xùn)練集的縮放標(biāo)準(zhǔn)來(lái)標(biāo)準(zhǔn)化測(cè)試集
>>> scaler.transform(X_test)
array([[-2.44948974, 2.44948974, -0.84292723]])
2 歸一化
標(biāo)準(zhǔn)化是用特征列的均值進(jìn)行中心化，用標(biāo)準(zhǔn)差進(jìn)行縮放。如果用數(shù)據(jù)集各個(gè)特征列的最小值進(jìn)行中心化后，再按極差（最大值－最小值）進(jìn)行縮放，即數(shù)據(jù)減去特征列的最小值，并且會(huì)被收斂到區(qū)間 [0,1] 內(nèi)，這個(gè)過(guò)程就叫作數(shù)據(jù)歸一化。
Scikit-learn的預(yù)處理子模塊 preprocessing 提供 MinMaxScaler 類(lèi)來(lái)實(shí)現(xiàn)歸一化功能。MinMaxScaler 類(lèi)有一個(gè)重要參數(shù) feature_range，該參數(shù)用于設(shè)置數(shù)據(jù)壓縮的范圍，默認(rèn)是 [0,1]。
>>> import numpy as np
>>> from sklearn import preprocessing as pp
>>> X_train = np.array([[ 1., -5., 8.], [ 2., -3., 0.], [ 0., -1., 1.]])
>>> scaler = pp.MinMaxScaler().fit(X_train) # 默認(rèn)數(shù)據(jù)壓縮范圍為[0,1]
>>> scaler
MinMaxScaler(copy=True, feature_range=(0, 1))
>>> scaler.transform(X_train)
array([[0.5 , 0. , 1. ],
[1. , 0.5 , 0. ],
[0. , 1. , 0.125]])
>>> scaler = pp.MinMaxScaler(feature_range=(-2, 2)) # 設(shè)置數(shù)據(jù)壓縮范圍為[-2,2]
>>> scaler = scaler.fit(X_train)
>>> scaler.transform(X_train)
array([[ 0. , -2. , 2. ],
[ 2. , 0. , -2. ],
[-2. , 2. , -1.5]])
因?yàn)闅w一化對(duì)異常值非常敏感，所以大多數(shù)機(jī)器學(xué)習(xí)算法會(huì)選擇標(biāo)準(zhǔn)化來(lái)進(jìn)行特征縮放。在主成分分析（Principal Components Analysis，PCA）、聚類(lèi)、邏輯回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等算法中，標(biāo)準(zhǔn)化往往是最好的選擇。歸一化在不涉及距離度量、梯度、協(xié)方差計(jì)算，以及數(shù)據(jù)需要被壓縮到特定區(qū)間時(shí)被廣泛使用，如數(shù)字圖像處理中量化像素強(qiáng)度時(shí)，都會(huì)使用歸一化將數(shù)據(jù)壓縮在區(qū)間 [0,1] 內(nèi)。
3 正則化
歸一化是對(duì)數(shù)據(jù)集的特征列的操作，而正則化是將每個(gè)數(shù)據(jù)樣本的范數(shù)單位化，是對(duì)數(shù)據(jù)集的行操作。如果打算使用點(diǎn)積等運(yùn)算來(lái)量化樣本之間的相似度，那么正則化將非常有用。
Scikit-learn的預(yù)處理子模塊preprocessing提供了一個(gè)快速正則化函數(shù)normalize()，使用該函數(shù)可以直接返回正則化后的數(shù)據(jù)集。normalize()函數(shù)使用參數(shù)norm指定I1范式或I2范式，默認(rèn)使用I2范式。I1 范式可以理解為單個(gè)樣本各元素的絕對(duì)值之和為 1；I2 范式可理解為單個(gè)樣本各元素的平方和的算術(shù)根為 1，相當(dāng)于樣本向量的模（長(zhǎng)度）。
>>> import numpy as np
>>> from sklearn import preprocessing as pp
>>> X_train = np.array([[ 1., -5., 8.], [ 2., -3., 0.], [ 0., -1., 1.]])
>>> pp.normalize(X_train) # 使用I2范式正則化，每行的范數(shù)為1
array([[ 0.10540926, -0.52704628, 0.84327404],
[ 0.5547002 , -0.83205029, 0. ],
[ 0. , -0.70710678, 0.70710678]])
>>> pp.normalize(X_train, norm='I1') # 使用I1范式正則化，每行的范數(shù)為1
array([[ 0.07142857, -0.35714286, 0.57142857],
[ 0.4 , -0.6 , 0. ],
[ 0. , -0.5 , 0.5 ]])
4 離散化
離散化（Discretization）是將連續(xù)特征劃分為離散特征值，典型的應(yīng)用是灰度圖像的二值化。如果使用等寬的區(qū)間對(duì)連續(xù)特征離散化，則被稱(chēng)為 K-bins 離散化。Scikit-learn的預(yù)處理子模塊preprocessing提供了Binarizer類(lèi)和KbinsDiscretizer類(lèi)來(lái)進(jìn)行離散化，前者用于二值化，后者用于 K-bins 離散化。
>>> import numpy as np
>>> from sklearn import preprocessing as pp
>>> X = np.array([[-2,5,11],[7,-1,9],[4,3,7]])
>>> bina = pp.Binarizer(threshold=5) # 指定二值化閾值為5
>>> bina.transform(X)
array([[0, 0, 1],
[1, 0, 1],
[0, 0, 1]])
>>> est = pp.KBinsDiscretizer(n_bins=[2, 2, 3], encode='ordinal').fit(X)
>>> est.transform(X) # 三個(gè)特征列離散化為2段、2段、3段
array([[0., 1., 2.],
[1., 0., 1.],
[1., 1., 0.]])
5 白化
白化一詞是從whitening翻譯過(guò)來(lái)的，難以望文生義，只能從白化后的效果去理解。數(shù)據(jù)白化有兩個(gè)目的，一是去除或降低特征列之間的相關(guān)性，二是使得每個(gè)特征列的方差為1。顯然，白化的第一個(gè)目標(biāo)就是主成分分析（PCA），通過(guò)主成分分析降維，消除方差占比較小的特征維；白化的第二個(gè)目標(biāo)就是標(biāo)準(zhǔn)化。
白化分為PCA白化和ZCA白化兩種。PCA 白化將原數(shù)據(jù)各個(gè)特征維變換到主成分軸上，消除了特征之間的相關(guān)性，并使得各個(gè)主成分的方差為1。ZCA白化則是將PCA 白化的結(jié)果反變換到原數(shù)據(jù)的各個(gè)特征維軸上，因?yàn)閆CA白化過(guò)程中通常不會(huì)降維。
Scikit-learn沒(méi)有提供專(zhuān)用的白化方法，不過(guò)借助成分分析子模塊decomposition提供的PCA 類(lèi)可以輕松實(shí)現(xiàn)PCA白化。PCA類(lèi)的參數(shù)whiten用于設(shè)置是否移除特征間的線(xiàn)性關(guān)聯(lián)，默認(rèn)值為False。
假如一位姑娘手頭有一堆相親資料，每位帥哥的信息由年齡、身高、體重、年薪、房產(chǎn)數(shù)量、汽車(chē)數(shù)量等多個(gè)特征項(xiàng)組成。通過(guò)白化操作，能夠生成一個(gè)特征維較小、且可以直接比較樣本間差距的數(shù)據(jù)集。
>>> import numpy as np
>>> from sklearn import preprocessing as pp
>>> from sklearn.decomposition import PCA
>>> ds = np.array([
[25, 1.85, 70, 50, 2, 1],
[22, 1.78, 72, 22, 0, 1],
[26, 1.80, 85, 25, 1, 0],
[28, 1.70, 82, 100, 5, 2]
]) # 4個(gè)樣本，6個(gè)特征列
>>> m = PCA(whiten=True) # 實(shí)例化主成分分析類(lèi)，指定白化參數(shù)
>>> m.fit(ds) # 主成分分析
PCA(whiten=True)
>>> d = m.transform(ds) # 返回主成分分析結(jié)果
>>> d # 特征列從6個(gè)降至4個(gè)
array([[ 0.01001541, -0.99099492, -1.12597902, -0.03748764],
[-0.76359767, -0.5681715 , 1.15935316, 0.67477757],
[-0.65589352, 1.26928222, -0.45686577, -1.8639689 ],
[ 1.40947578, 0.28988421, 0.42349164, 1.2724972 ]])
>>> d.std(axis=0) # 顯示各特征列方差
array([0.8660254 , 0.8660254 , 0.8660254 , 1.17790433])
>>> d = pp.scale(d) # 標(biāo)準(zhǔn)化
>>> d.std(axis=0) # 標(biāo)準(zhǔn)化后的各特征列方差均為1
array([1., 1., 1., 1.])
GitHub上有人提供了ZCA白化的代碼，如果需要，請(qǐng)?jiān)L問(wèn)（https://github.com/mwv/zca）。
以上就是聊聊python 機(jī)器學(xué)習(xí)的標(biāo)準(zhǔn)化、歸一化、正則化、離散化和白化的詳細(xì)內(nèi)容，更多關(guān)于python 機(jī)器學(xué)習(xí)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- 如何基于python實(shí)現(xiàn)歸一化處理
- python數(shù)據(jù)歸一化及三種方法詳解
- python實(shí)現(xiàn)幾種歸一化方法（Normalization Method）
- 詳解python實(shí)現(xiàn)數(shù)據(jù)歸一化處理的方式：（0,1）標(biāo)準(zhǔn)化
- python numpy 按行歸一化的實(shí)例
- Python數(shù)據(jù)預(yù)處理之?dāng)?shù)據(jù)規(guī)范化（歸一化）示例
- python 實(shí)現(xiàn)對(duì)數(shù)據(jù)集的歸一化的方法(0-1之間)
- 對(duì)python3 一組數(shù)值的歸一化處理方法詳解
- 基于數(shù)據(jù)歸一化以及Python實(shí)現(xiàn)方式
- 如何用Pythony驗(yàn)證萬(wàn)物歸一(考拉咨猜想)
