Python AI – 数据准备

我们已经学习了监督和无监督机器学习算法。这些算法需要格式化的数据才能开始训练过程。我们必须以某种方式准备或格式化数据，以便将其作为输入提供给机器学习算法。

本章重点介绍机器学习算法的数据准备。

数据预处理

在日常生活中，我们处理大量数据，但这些数据都是原始形式。为了将数据作为机器学习算法的输入，我们需要将其转换为有意义的数据。这就是数据预处理发挥作用的地方。换句话说，在将数据提供给机器学习算法之前，我们需要对其进行预处理。

数据预处理步骤

按照以下步骤在 Python 中预处理数据：

步骤 1 - 导入有用的包 - 如果我们使用 Python，那么这将是将数据转换为特定格式（即预处理）的第一步。它可以按如下方式完成：

import numpy as np
import sklearn.preprocessing

在这里，我们使用了以下两个包：

NumPy - NumPy 本质上是一个通用的数组处理包，旨在有效地操作任意记录的大型多维数组，而不会在处理小型多维数组时牺牲太多速度。
Sklearn.preprocessing - 此包提供了许多常用的实用程序函数和转换器类，用于将原始特征向量更改为更适合机器学习算法的表示形式。

步骤 2 - 定义样本数据 - 导入包后，我们需要定义一些样本数据，以便我们可以在这些数据上应用预处理技术。我们现在将定义以下样本数据：

input_data = np.array([2.1, -1.9, 5.5],
                      [-1.5, 2.4, 3.5],
                      [0.5, -7.9, 5.6],
                      [5.9, 2.3, -5.8])

步骤 3 - 应用预处理技术 - 在此步骤中，我们需要应用任何预处理技术。

以下部分描述了数据预处理技术。

数据预处理技术

数据预处理技术如下所述：

二值化

当我们需要将数值转换为布尔值时，可以使用此预处理技术。我们可以使用内置方法对输入数据进行二值化，例如，通过以下方式使用 0.5 作为阈值：

data_binarized = preprocessing.Binarizer(threshold = 0.5).transform(input_data)
print("\nBinarized data:\n", data_binarized)

现在，在运行上述代码后，我们将获得以下输出，所有大于 0.5（阈值）的值将转换为 1，所有小于 0.5 的值将转换为 0。

二值化数据

[[ 1. 0. 1.]
[ 0. 1. 1.]
[ 0. 0. 1.]
[ 1. 1. 0.]]

均值移除

这是机器学习中使用的另一种非常常见的预处理技术。它基本上用于消除特征向量中的均值，以便每个特征都以零为中心。我们还可以消除特征向量中特征的偏差。要对样本数据应用均值移除预处理技术，我们可以编写如下所示的 Python 代码。代码将显示输入数据的均值和标准差：

print("Mean = ", input_data.mean(axis = 0))
print("Std deviation = ", input_data.std(axis = 0))

运行上述代码行后，我们将获得以下输出：

         Mean = [ 1.75       -1.275       2.2]
Std deviation = [ 2.71431391  4.20022321  4.69414529]

现在，以下代码将移除输入数据的均值和标准差：

data_scaled = preprocessing.scale(input_data)
print("Mean =", data_scaled.mean(axis=0))
print("Std deviation =", data_scaled.std(axis = 0))

运行上述代码行后，我们将获得以下输出：

         Mean = [ 1.11022302e-16 0.00000000e+00 0.00000000e+00]
Std deviation = [ 1.             1.             1.]

缩放

这是另一种用于缩放特征向量的预处理技术。需要对特征向量进行缩放，因为每个特征的值可以在许多随机值之间变化。换句话说，缩放很重要，因为我们不希望任何特征人为地过大或过小。借助以下 Python 代码，我们可以对输入数据（即特征向量）进行缩放：

# 最小-最大缩放

data_scaler_minmax = preprocessing.MinMaxScaler(feature_range=(0,1))
data_scaled_minmax = data_scaler_minmax.fit_transform(input_data)
print ("\nMin max scaled data:\n", data_scaled_minmax)

运行上述代码行后，我们将获得以下输出：

最小-最大缩放数据

[ [ 0.48648649  0.58252427   0.99122807]
[   0.          1.           0.81578947]
[   0.27027027  0.           1.        ]
[   1.          0. 99029126  0.        ]]

归一化

这是另一种用于修改特征向量的预处理技术。这种修改对于以共同的尺度测量特征向量是必要的。以下是在机器学习中可以使用两种类型的归一化：

L1 归一化

它也称为最小绝对偏差。这种归一化修改值，以便每行中绝对值的总和始终为 1。它可以通过以下 Python 代码在输入数据上实现：

# Normalize data
data_normalized_l1 = preprocessing.normalize(input_data, norm = 'l1')
print("\nL1 normalized data:\n", data_normalized_l1)

以上代码行生成以下输出：

L1 normalized data:
[[ 0.22105263  -0.2          0.57894737]
[ -0.2027027    0.32432432   0.47297297]
[  0.03571429  -0.56428571   0.4       ]
[  0.42142857   0.16428571  -0.41428571]]

L2 归一化

它也称为最小二乘法。这种归一化修改值，以便每行中平方和始终为 1。它可以通过以下 Python 代码在输入数据上实现：

# Normalize data
data_normalized_l2 = preprocessing.normalize(input_data, norm = 'l2')
print("\nL2 normalized data:\n", data_normalized_l2)

以上代码行将生成以下输出：

L2 normalized data:
[[ 0.33946114  -0.30713151   0.88906489]
[ -0.33325106   0.53320169   0.7775858 ]
[  0.05156558  -0.81473612   0.57753446]
[  0.68706914   0.26784051  -0.6754239 ]]

数据标记

我们已经知道，机器学习算法需要特定格式的数据。另一个重要的要求是，在将数据作为机器学习算法的输入发送之前，必须对其进行正确标记。例如，如果我们谈论分类，则数据上有很多标签。这些标签以单词、数字等形式存在。sklearn 中与机器学习相关的函数期望数据必须具有数字标签。因此，如果数据采用其他形式，则必须将其转换为数字。将单词标签转换为数字形式的过程称为标签编码。

标签编码步骤

按照以下步骤在 Python 中对数据标签进行编码：

步骤 1 - 导入有用的包

如果我们使用 Python，那么这将是将数据转换为特定格式（即预处理）的第一步。它可以按如下方式完成：

import numpy as np
from sklearn import preprocessing

步骤 2 - 定义样本标签

导入包后，我们需要定义一些样本标签，以便我们可以创建和训练标签编码器。我们现在将定义以下样本标签：

# Sample input labels
input_labels = ['red','black','red','green','black','yellow','white']

步骤 3 - 创建和训练标签编码器对象

在此步骤中，我们需要创建标签编码器并对其进行训练。以下 Python 代码将有助于执行此操作：

# Creating the label encoder
encoder = preprocessing.LabelEncoder()
encoder.fit(input_labels)

运行上述 Python 代码后，输出如下：

LabelEncoder()

步骤 4 - 通过对随机排序列表进行编码来检查性能

此步骤可用于通过对随机排序列表进行编码来检查性能。可以编写以下 Python 代码来执行相同的操作：

# encoding a set of labels
test_labels = ['green','red','black']
encoded_values = encoder.transform(test_labels)
print("\nLabels =", test_labels)

标签将按如下方式打印：

Labels = ['green', 'red', 'black']

现在，我们可以获取编码值列表，即单词标签转换为数字，如下所示：

print("Encoded values =", list(encoded_values))

编码值将按如下方式打印：

Encoded values = [1, 2, 0]

步骤 5 - 通过解码一组随机数字来检查性能

此步骤可用于通过解码一组随机数字来检查性能。可以编写以下 Python 代码来执行相同的操作：

# decoding a set of values
encoded_values = [3,0,4,1]
decoded_list = encoder.inverse_transform(encoded_values)
print("\nEncoded values =", encoded_values)

现在，编码值将按如下方式打印：

Encoded values = [3, 0, 4, 1]
print("\nDecoded labels =", list(decoded_list))

现在，解码值将按如下方式打印：

Decoded labels = ['white', 'black', 'yellow', 'green']

标记数据与未标记数据

未标记数据主要包含自然或人为创建的对象的样本，这些样本可以轻松地从世界中获取。它们包括音频、视频、照片、新闻文章等。

另一方面，标记数据获取一组未标记数据，并为该未标记数据的每一部分添加一些有意义的标签或类别。例如，如果我们有一张照片，则可以根据照片的内容添加标签，即它是男孩或女孩或动物或其他任何东西的照片。标记数据需要人类专业知识或对给定未标记数据片段的判断。

在许多情况下，未标记数据丰富且易于获取，但标记数据通常需要人工/专家进行注释。半监督学习试图结合标记和未标记数据来构建更好的模型。

打印页面