7 数据预处理-数据标准化

数据预处理-数据标准化

• 数据预处理-数据标准化
  • 正规化 Normalization

正规化 Normalization

这个文章知识讲解了入门的数据预处理，更多的归一化方法请看：
http://blog.csdn.net/u012052268/article/details/74028952 sklearn中常用数据预处理方法

由于资料的偏差与跨度会影响机器学习的成效，因此正规化(标准化)数据可以提升机器学习的成效。首先由例子来讲解:
- 例子1 - 数据标准化
- 例子2 - 数据标准化对机器学习成效的影响

例子1 - 数据标准化

#数据预处理模块
from sklearn import preprocessing
import numpy as np

#建立Array
a = np.array([[10, 2.7, 3.6],
              [-100, 5, -2],
              [120, 20, 40]], dtype=np.float64)
#数据预处理模块 有一个方法：scale 归一化数据
print(preprocessing.scale(a))
# [[ 0.         -0.85170713 -0.55138018]
#  [-1.22474487 -0.55187146 -0.852133  ]
#  [ 1.22474487  1.40357859  1.40351318]]

# 或者是
print(preprocessing.minmax_scale(a,feature_range=(-1,1)))
'''
结果是：
[[ -2.77555756e-17  -1.00000000e+00  -7.33333333e-01]
 [ -1.00000000e+00  -7.34104046e-01  -1.00000000e+00]
 [  1.00000000e+00   1.00000000e+00   1.00000000e+00]]
'''

例子2 - 数据标准化对机器学习成效的影响

# 标准化数据模块
from sklearn import preprocessing 
import numpy as np

# 将资料分割成train与test的模块
frfrom sklearn.model_selection import train_test_split

# 生成适合做classification资料的模块
from sklearn.datasets.samples_generator import make_classification 

# Support Vector Machine中的Support Vector Classifier
from sklearn.svm import SVC 

# 可视化数据的模块
import matplotlib.pyplot as plt 

#生成具有2种属性的300笔数据
X, y = make_classification(
    n_samples=300, n_features=2,
    n_redundant=0, n_informative=2, 
    random_state=22, n_clusters_per_class=1, 
    scale=100)
'''
参数的含义：
n_samples：样本数。
n_features：特征总数。
n_informative：信息特征的数量。
n_redundant：冗余特征数。
n_repeated：从信息和冗余特征中随机抽取的重复特征数。
n_classes：分类问题的类（或标号）的个数。
n_clusters_per_class：每个类的群集数。
random_state：随机数生成器使用的种子。
'''


#可视化数据
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

标准化前的预测准确率只有0.477777777778

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = SVC()
clf.fit(X_train, y_train)
print(clf.score(X_test, y_test))
# 0.477777777778

数据标准化后

数据的单位发生了变化, X 数据也被压缩到差不多大小范围.标准化后的预测准确率提升至0.9

X = preprocessing.scale(X)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = SVC()
clf.fit(X_train, y_train)
print(clf.score(X_test, y_test))
# 0.9