降维算法

一、维度概述

1、对数组和Series，shape中返回几个数字就是几维，几个方括号就是几维

2、特征矩阵，DataFrame，几个特征就是几维，对应图中几个坐标轴，降维降的是特征数量

二、降维算法decomposition.PCA：主成分分析

1、PCA使用的信息量衡量指标为样本方差，越大，该特征带有信息量越多。

2、降维后找到的每个新特征向量叫“主成分”，新特征没有可读性，属于特征创造。线性回归不适合使用PCA。

3、重要参数

三、降维算法SVD

降维算法计算量很大

一、维度概述

1、对数组和Series，shape中返回几个数字就是几维，几个方括号就是几维

2、特征矩阵，DataFrame，几个特征就是几维，降维降的是特征数量

二、降维算法decomposition.PCA：主成分分析

三、降维算法SVD

包装法：

特征选择（专门算法）和训练同时进行，可以与任何有coef_, feature_importances_属性的模型一起使用，计算成本小于嵌入法

• 使用feature_selection.RFE类：迭代选取特征。
• 参数estimator：实例化后的评估器，n_features_to_select：想选的特征数，step：每迭代一次删去的特征数
• 属性.support_：特征是否被选中的不二矩阵，.ranking_：特征重要性排名，前面越重要。（训练后查看属性，不要转化）
• 计算量大，优先使用方差过滤和互信息法；逻辑回归，嵌入法优先；支持向量机，包装法优先；没思路，过滤法开始

嵌入法

1、特征选择与算法训练同时进行，算法自己选择用哪些特征。计算速度与算法相关，可能十分缓慢，大型数据中优先选过滤法或包装法

2、使用模块feature_selection.SelectFromModel，可以与任何有coef_, feature_importances_属性的模型一起使用

3、两个重要属性
1）estimator：模型评估器，模型要先实例化

2）threshold：特征重要性阈值，低于则删除，通过学习曲线确定这个属性的最佳取值

嵌入法

特征选择与算法训练同时进行，算法自己选择用哪些特征。计算速度与算法相关，可能十分缓慢。

feature_selection.SelectFromModel，可以与任何有coef_, feature_importances_属性的模型一起使用

2）相关性过滤

卡方过滤：

• 专门针对分类问题，不能计算负数，chi2(x,y)返回卡方值和p值
• feature_selection.chi2，结合feature_selection.SelectKBest（选出前k分数最高特征）
• 如何选择k值（想保留特征值）？使用p值。p小于0.05或0.01：特征与标签相关。k=(chi_value.shape[0]-(p_value>0.05).sum())#特征数-想删除的特征数

F检验：

• 捕捉特征与标签之间的线性关系，返回F值和P值
• feature_selection.f_classif（F检验分类），feature_selection.f_regression（F检验回归），需要与feature_selection.SelectKBest连用
• F检验在数据服从正态分布时效果好，先把数据转换成正态分布形式
• p小于0.05或0.01：特征与标签显著线性相关

互信息法：

• 捕捉特征与标签任意关系，返回特征与标签之间互信息量的估计，0：独立，1：相关
• feature_selection.mutual_info_classif（互信息分类），feature_selection.mutual_info_regression（互信息回归）

2）相关性过滤

卡方过滤：

• 专门针对分类问题，不能计算负数
• feature_selection.chi2，结合feature_selection.SelectKBest（选出前k分数最高特征）
• chi2(x,y)返回卡方值和p值，
• 如何选择k值（想保留特征值）？使用p值。p小于0.05或0.01：特征与标签相关。k=(chi_value.shape[0]-(p_value>0.05).sum())#特征数-想删除的特征数

F检验

特征选择feature_selection

一、理解数据：根据业务理解选择数据（特征选择之前要与数据提供者沟通）

二、四种选择方法

1、过滤法：根据统计指标过滤，目标是降低计算成本

过滤法主要对象：需要遍历特征或升维的算法（最近邻算法KNN、支持向量机SVM、神经网络、回归算法、单棵决策树）

1）方差过滤：VarianceThreshold模块：

• 优先消除方差为0（每个数据都一样）的特征
• 重要参数threshold：方差阈值，小于删除，默认为0
• 特征是二分类时，方差=p(1-p)，p为其中一特征概率
• 对算法的影响：阈值小-过滤特征少-影响不大；阈值大-过滤特征多-模型可能更好 or 更糟
• 如何选择threshold?一般只使用0或很小的值，再用更优的特征选择方式

2、嵌入法

3、包装法

4、降维算法

特征提取feature extraction

特征创造feature creation

特征选择feature_selection

一、理解数据：根据业务理解选择数据（特征选择之前要与数据提供者沟通）

二、四种选择方法

1、过滤法：根据统计指标过滤

1）方差过滤：VarianceThreshold模块：

• 优先消除方差为0（每个数据都一样）的特征
• 重要参数threshold：方差阈值，小于删除，默认为0

2、嵌入法

3、包装法

4、降维算法

特征提取feature extraction

特征创造feature creation

四、处理连续型特征：二值化与分段

prepscessing.Binarizer二值化，文本数据常见操作

属性threshold：设置阈值，大于阈值1，小于0

prepscessing.KBinsDiscretizer分箱

1、3个参数

1）n_bins：分箱个数，默认5

2）encode：默认"onehot"

"onehot"：一列一类，有该类1，无0

"ordinal"：有几个特征几列，每个特征用数字显示类别

"onehot-dense"不常用

3）strategy：定义箱宽，默认"quantile"

"uniform"：等宽分箱，特征值极差/箱数

"quantile"：等位分箱，每箱样本数相同

"kmeans"：聚类分箱，分类，同类一箱

三、处理分类型特征：编码与哑变量

1、preprocessing.LabelEncoder：把分类转换为分类数值

classes_属性，查看标签中有多少类别

2、preprocessing.OrdinalEncoder：特征编码模块，把分类转换成数字，类别独立

categories_属性，查看每个特征中有多少类别

3、preprocessing.OneHotEncoder：独热编码，特征转换成哑变量，分类有联系

参数categories,='auto'自己找找有几类

接口get_feature_names()：返回稀疏矩阵每一列列的类别

独热编码处理方法：合并表，删除列，改列索引

4、preprocessing.LabelBinarizer标签 

二、缺失值处理

用来填缺失值的类：impute.SimpleImputer

1、四个参数

1）missing_values：缺失值长什么样，默认np.nan

2）strategy：填补策略，默认均值"mean"，"median"中位数，"most_frequent"众数，"constant"数值（只有前两个可填数字型）

3）fill_value：策略为constant使用，表示要填充的值，常用0

4）copy：默认为True，创建副本

二、缺失值处理

用来填缺失值的类：impute.SimpleImputer

1、四个参数

1）missing_values：缺失值长什么样，默认np.nan

2）strategy：填补策略，默认均值"mean"

3）fill_value：策略为constant使用，表示要填充的值，常用0

4）copy：默认为True，创建副本

数据预处理与特征工程

数据挖掘的五大流程：获取数据、数据预处理、特征工程、建模、上线验证

数据预处理preprocessing & impute

一、数据无量纲化（统一规格，特例：决策树、树的集成算法不需要）

1、中心化 zero-centered/mean subtraction

本质是所有记录减去一个固定值

1）preprocessing.MinMaxScaler

• 数据归一化Normalization：数据收敛到[0,1]之间，归一化后的数据服从正态分布
• 参数feature_range：控制缩放范围，默认[0,1]

• 如何用numpy实现归一化？使用公式

  import numpy as np
  x=[[-1,2],[-0.5,6],[0,10],[1,18]]
  x=np.array(x)#转成数组
  #归一化
  x_nor=(x-x.min(axis=0))/(x.max(axis=0)-x.min(axis=0))
  x_nor

2）preprocessing.StandardScaler

• 数据标准化Standardization/Z-score normalization：把数据变成标准正态分布（均值为0，方差为1）
• 标准化训练完查看均值和方差的属性？（自动按列计算）
  scaler.mean_
  scaler.var_

3）如何选择？

• 归一化对异常值敏感，一般选标准化
• 不涉及协方差计算、需要压缩到某个区间：归一化
• 只压缩，不中心化：MaxAbsScaler
• 异常值多、噪声大分位数RobustScaler

2、缩放处理 scale

本质是所有记录除以一个固定值

数据预处理与特征工程

数据挖掘的五大流程：获取数据、数据预处理、特征工程、建模、上线验证

数据预处理preprocessing & impute

一、数据无量纲化（统一规格，特例：决策树、树的集成算法不需要）

1、中心化 zero-centered/mean subtraction

本质是所有记录减去一个固定值

1）preprocessing.MinMaxScaler

• 数据归一化Normalization：数据收敛到[0,1]之间，归一化后的数据服从正态分布
• 参数feature_range：控制缩放范围，默认[0,1]

2、缩放处理 scale

本质是所有记录除以一个固定值

数据预处理与特征工程

数据挖掘的五大流程：获取数据、数据预处理、特征工程、建模、上线验证

首先调整

机器学习调参基本思想

调参目标是提升某个模型评估指标

1、泛化误差（衡量模型在未知数据上准确率的指标）

1）在测试集上表现不好：泛化能力不够

2）泛化误差受模型结构（复杂度）影响（U型曲线），调参之前，判断模型在曲线哪个部分

3）模型太简单或太复杂，泛化误差都会升高，追求的是中间的平衡点

4）模型太复杂：过拟合，太简单：欠拟合

5）树模型和树的集成模型，越深、枝叶越多、模型越复杂

6）树模型和树的集成模型目标：减少模型复杂度（剪枝），使模型向图像左边移动

2、各个参数对树模型的影响程度（由大到小）

1）n_estimators：计算量允许，越大越好，不影响单个模型复杂度

2）max_depth：默认让树生长到最茂盛，下降，模型更简单

3）min_samples_leaf、min_samples_split：默认最小限制1、2，即最高复杂度，调大，模型更简单

4）max_features：默认特征总数开平方（auto），中间复杂度，减小，更简单，增加，更复杂（不怎么用）

5）criterion：一般选gini（影响看具体情况）

x_labels=['full data'

pd.concat()

第一个参数：需要连接的所有对象用列表包起来

第二个参数：axis=1左右相连