|
数据的预处理是数据分析,或者机器学习训练前的重要步骤。
通过数据预处理,可以
- 提高数据质量,处理数据的缺失值、异常值和重复值等问题,增加数据的准确性和可靠性
- 整合不同数据,数据的来源和结构可能多种多样,分析和训练前要整合成一个数据集
- 提高数据性能,对数据的值进行变换,规约等(比如无量纲化),让算法更加高效
本篇介绍的数据缩放处理,主要目的是消除数据的不同特征之间的量纲差异,使得每个特征的数值范围相同。这样可以避免某些特征对模型的影响过大,从而提高模型的性能。
1. 原理
数据缩放有多种方式,其中有一种按照最小值-最大值缩放的算法是最常用的。
其主要步骤如下:
- 计算数据列的最小值(min)和最大值(max)
- 对数据列中的每个值进行最小-最大缩放,即将其转换为 **[0,1]区间 **之内的一个值
缩放公式为:\(new\_data = \frac{data -min}{max-min}\)
实现缩放的代码如下:- # 数据缩放的实现原理
- data = np.array([10, 20, 30, 40, 50])
- min = np.min(data)
- max = np.max(data)
- data_new = (data - min) / (max-min)
- print("处理前: {}".format(data))
- print("处理后: {}".format(data_new))
- # 运行结果
- 处理前: [10 20 30 40 50]
- 处理后: [0. 0.25 0.5 0.75 1. ]
复制代码 数值被缩放到 **[0,1]区间 **之内。
这个示例只是为了演示缩放的过程,实际场景中最好使用scikit-learn库中的函数。
scikit-learn中的minmax_scale函数是封装好的数据缩放函数。- from sklearn import preprocessing as pp
- data = np.array([10, 20, 30, 40, 50])
- pp.minmax_scale(data, feature_range=(0, 1))
- # 运行结果
- array([0. , 0.25, 0.5 , 0.75, 1. ])
复制代码 使用scikit-learn中的minmax_scale函数得到的结果是一样的,数据也被压缩到 **[0,1]区间 **之内。
所以 数据缩放 的这个操作有时也被称为归一化。
不过,数据缩放不一定非得把数据压缩到 **[0,1]区间 **之内,
通过调整feature_range参数,可以把数据压缩到任意的区间。- # 压缩到[0, 1]
- print(pp.minmax_scale(data, feature_range=(0, 1)))
- # 压缩到[-1, 1]
- print(pp.minmax_scale(data, feature_range=(-1, 1)))
- # 压缩到[0, 5]
- print(pp.minmax_scale(data, feature_range=(0, 5)))
- # 运行结果
- [0. 0.25 0.5 0.75 1. ]
- [-1. -0.5 0. 0.5 1. ]
- [0. 1.25 2.5 3.75 5. ]
复制代码 2. 作用
数据缩放的作用主要有:
2.1. 统一数据尺度
通过缩放处理,将不同量纲、不同尺度、不同单位的数据转换成一个统一的尺度,
避免由于数据量纲不一致而导致的数据分析结果失真或误导。
2.2. 增强数据可比性
通过缩放处理,将不同量纲、不同尺度、不同单位的数据转换成一个统一的尺度,使得不同数据之间的比较更加方便和有意义。
例如,在评价多个样本的性能时,如果采用不同的量纲、不同尺度、不同单位进行比较,会导致比较结果不准确甚至误导。
通过统一的缩放处理之后,可以消除这种影响,使得比较结果更加准确可信。
2.3. 增强数据稳定性
通过缩放处理,将数据的数值范围调整到一个相对较小的区间内,
增加数据的稳定性,避免由于数据分布范围过大或过小而导致的分析误差或计算误差。
2.4. 提高算法效率和精度
通过缩放处理,使得一些计算算法的效率和精度得到提高。
例如,在神经网络算法中,如果输入数据的尺度过大或过小,会导致算法训练时间过长或过短,同时也会影响算法的精度和稳定性。
而缩放处理之后,就可以使算法的训练时间和精度得到优化。
3. 总结
在scikit-learn库中,处理数据缩放不是只有上面的最小值-最大值缩放,
还可用StandardScaler进行标准化缩放;用RobustScaler实现尺度缩放和平移等等。
进行数据缩放时,需要注意一点,就是缩放处理对异常值非常敏感,
如果数据中存在极大或者极小的异常值时,有可能会破坏原始数据本身。
所以,缩放处理前,最好把异常值过滤掉。
来源:https://www.cnblogs.com/wang_yb/p/17902620.html
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作! |
|