易百教程人工智能python修正-人工智能数据准备-预处理数据
2021-07-16 19:07
标签：3.5 imp 预处理 中心 一个 输入 std 向量 阈值 在我们的日常生活中，需要处理大量数据，但这些数据是原始数据。 为了提供数据作为机器学习算法的输入，需要将其转换为有意义的数据。 这就是数据预处理进入图像的地方。 换言之，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 - 第1步 - 导入有用的软件包 - 如果使用Python，那么这将成为将数据转换为特定格式(即预处理)的第一步。如下代码 - Python 这里使用了以下两个软件包 - 第2步 - 定义样本数据 - 导入包后，需要定义一些样本数据，以便可以对这些数据应用预处理技术。现在将定义以下样本数据 - 第3步 - 应用预处理技术 - 在这一步中，我们需要应用预处理技术。 以下部分描述数据预处理技术。 下面介绍数据预处理技术 - 二值化 这是当需要将数值转换为布尔值时使用的预处理技术。我们可以用一种内置的方法来二值化输入数据，比如说用 现在，运行上面的代码后，将得到以下输出，所有高于 二值化数据 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。 还可以消除特征向量中的特征偏差。 为了对样本数据应用平均去除预处理技术，可以编写如下Python代码。 代码将显示输入数据的平均值和标准偏差 - 运行上述代码行后，将得到以下输出 - 运行上述代码行后，将得到以下输出 - 缩放 这是另一种数据预处理技术，用于缩放特征向量。 特征向量的缩放是需要的，因为每个特征的值可以在许多随机值之间变化。 换句话说，我们可以说缩放非常重要，因为我们不希望任何特征合成为大或小。 借助以下Python代码，我们可以对输入数据进行缩放，即特征矢量 - 最小最大缩放 运行上述代码行后，将得到以下输出 - 这是另一种数据预处理技术，用于修改特征向量。 这种修改对于在一个普通的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标准化 - L1标准化 它也被称为最小绝对偏差。 这种标准化会修改这些值，以便绝对值的总和在每行中总是最多为 上面的代码行生成以下输出: L2标准化 它也被称为最小二乘。这种归正常化修改了这些值，以便每一行中的平方和总是最多为 执行以上代码行将生成以下输出 - 易百教程人工智能python修正-人工智能数据准备-预处理数据 标签：3.5 imp 预处理 中心 一个 输入 std 向量 阈值 原文地址：https://www.cnblogs.com/duoba/p/9533183.html预处理数据
import numpy as np
from sklearn import preprocessing
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]])
数据预处理技术
0.5作为阈值，方法如下 -data_binarized = preprocessing.Binarizer(threshold = 0.5).transform(input_data)
print("\nBinarized data:\n", data_binarized)
0.5(阈值)的值将被转换为1，并且所有低于0.5的值将被转换为0。[[ 1. 0. 1.]
[ 0. 1. 1.]
[ 0. 0. 1.]
[ 1. 1. 0.]]
print("Mean = ", input_data.mean(axis = 0))
print("Std deviation = ", input_data.std(axis = 0))
Mean = [ 1.75 -1.275 2.2]
Std deviation = [ 2.71431391 4.20022321 4.69414529]
data_scaled = preprocessing.scale(input_data)
print("Mean =", data_scaled.mean(axis=0))
print("Std deviation =", data_scaled.std(axis = 0))
Mean = [ 1.11022302e-16 0.00000000e+00 0.00000000e+00]
Std deviation = [ 1. 1. 1.]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)
[ [ 0.48648649 0.58252427 0.99122807]
[ 0. 1. 0.81578947]
[ 0.27027027 0. 1. ]
[ 1. 0. 99029126 0. ]]
正常化
1。 它可以在以下Python代码，使用上面的输入数据来实现 -# Normalize data
data_normalized_l1 = preprocessing.normalize(input_data, norm = ‘l1‘)
print("\nL1 normalized data:\n", data_normalized_l1)
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]]
1。它可以在以下Python代码，使用上面的输入数据来实现 -# Normalize data
data_normalized_l2 = preprocessing.normalize(input_data, norm = ‘l2‘)
print("\nL2 normalized data:\n", data_normalized_l2)
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 ]]
文章标题：易百教程人工智能python修正-人工智能数据准备-预处理数据
文章链接：http://soscw.com/index.php/essay/106087.html