AI与Python——数据准备

我们已经研究了有监督和无监督的机器学习算法。这些算法需要格式化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，以便将其作为机器学习算法的输入。

本章重点介绍机器学习算法的数据准备。

预处理数据

在我们的日常生活中，我们处理大量数据，但这些数据都是原始形式的。为了提供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。这就是数据预处理的用武之地。换句话说，我们可以说，在将数据提供给机器学习算法之前，我们需要对数据进行预处理。

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某种格式的第一步，即预处理。可以按如下方式完成 -

import numpy as np
import sklearn.preprocessing

这里我们使用了以下两个包 -

NumPy - 基本上，NumPy 是一个通用数组处理包，旨在有效地操作任意记录的大型多维数组，而不会为小型多维数组牺牲太多速度。
Sklearn.preprocessing - 该包提供了许多常见的实用函数和转换器类，可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 - 定义示例数据- 导入包后，我们需要定义一些示例数据，以便我们可以对该数据应用预处理技术。我们现在将定义以下示例数据 -

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- 在这一步中，我们需要应用任何预处理技术。

以下部分介绍数据预处理技术。

数据预处理技术

数据预处理技术如下所述 -

二值化

这是当我们需要将数值转换为布尔值时使用的预处理技术。我们可以使用内置方法对输入数据进行二值化，例如使用 0.5 作为阈值，如下所示 -

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

现在，运行上述代码后，我们将得到以下输出，所有高于 0.5（阈值）的值将转换为 1，所有低于 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.]]

均值去除

这是机器学习中使用的另一种非常常见的预处理技术。基本上它用于消除特征向量的均值，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。为了对样本数据应用均值去除预处理技术，我们可以编写如下所示的Python代码。该代码将显示输入数据的平均值和标准偏差 -

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

运行上述代码行后，我们将得到以下输出 -

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

现在，下面的代码将删除输入数据的平均值和标准差 -

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，我们将得到以下输出 -

         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数据预处理技术。需要对特征向量进行缩放，因为每个特征的值可能在许多随机值之间变化。换句话说，我们可以说缩放很重要，因为我们不希望任何特征综合地变大或变小。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，我们将得到以下输出 -

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.        ]]

正常化

这是另一种用于修改特征向量的数据预处理技术。这种修改对于在通用尺度上测量特征向量是必要的。以下是可用于机器学习的两种类型的标准化 -

L1 归一化

它也称为最小绝对偏差。这种归一化会修改值，以便每行中的绝对值之和始终最大为 1。它可以借助以下 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)

上面的代码行生成以下输出 &miuns;

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。这种归一化会修改值，以便每行的平方和始终最大为 1。它可以借助以下 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)

上面的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 ]]

标记数据

我们已经知道，机器学习算法需要某种格式的数据。另一个重要要求是，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，数据上有很多标签。这些标签的形式是单词、数字等。sklearn中与机器学习相关的功能期望数据必须具有数字标签。因此，如果数据是其他形式，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 -

Step1 - 导入有用的包

如果我们使用Python，那么这将是将数据转换为某种格式的第一步，即预处理。可以按如下方式完成 -

import numpy as np
from sklearn import preprocessing

步骤 2 - 定义示例标签

导入包后，我们需要定义一些示例标签，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示例标签 -

# 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

在这一步中，我们需要创建标签编码器并训练它。以下 Python 代码将有助于做到这一点 -

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

以下是运行上述 Python 代码后的输出 -

LabelEncoder()

Step4 - 通过编码随机有序列表来检查性能

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)

标签将打印如下 -

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

现在，我们可以获得编码值列表，即转换为数字的单词标签，如下所示 -

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

编码值将打印如下 -

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随机数字集来检查性能。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，编码值将打印如下 -

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

现在，解码后的值将打印如下 -

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

标记数据与未标记数据

未标记数据主要包括可以从世界中轻松获得的自然或人造物体的样本。它们包括音频、视频、照片、新闻文章等。

另一方面，标记数据采用一组未标记数据，并使用一些有意义的标签或标签或类来扩充每条未标记数据。例如，如果我们有一张照片，那么可以根据照片的内容来放置标签，即，它是男孩或女孩或动物或其他任何东西的照片。标记数据需要人类的专业知识或对给定的未标记数据的判断。

在许多场景中，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。半监督学习尝试结合标记和未标记数据来构建更好的模型。