标签：机器 src 学习 向量 encoding idt 列表 扩展 引入
函数说明：
1. PolynomialFeatures(degree=2, interaction_only=False, include_bias=False)
参数说明:degree=2,表示多项式的变化维度为2，即^2, interaction_only表示是否只使用a*b, include_bias是否添加一列全部等于1的偏置项
对数据进行多项式变化，将两个特征a, b如果是进行^2多项式变化操作，那么就相当于多出来了3个特征即a^2, a*b, b^2
一般我们在使用支持向量机的时候，由于数据在低纬度上的不可分，因此我们需要对数据做一个高维度的映射，以使得数据能够更加的可分
数据说明：我们使用了游戏数据中的攻击和防御两个特征用来构造多项式特征，使用的多项式为2
代码：
第一步:导入数据
第二步：分离出[‘Attack‘, ‘Defense‘]两个特征
第三步：使用 PolynomialFeatures 进行多项式的变化，
第四步：使用pd.DataFrame对获得的列表添加列名，用于展示
import numpy as np import pandas as pd import matplotlib.pyplot as plt poke_df = pd.read_csv(‘datasets/Pokemon.csv‘, encoding=‘utf-8‘) att_de = poke_df[[‘Attack‘, ‘Defense‘]] # 对att_de进行两两特征之间的多项式特征扩展，可以认为是把特征投向高维 from sklearn.preprocessing import PolynomialFeatures #degree 表示多项式的维度，即^2， interaction_only表示是否仅使用a*b,include_bias表示是否引入偏执项1 po = PolynomialFeatures(degree=2, interaction_only=False, include_bias=False) att_de_po = po.fit_transform(att_de) print(att_de_po[:5]) # 使用pd.DataFrame将数据转换为pd格式 att_de_po_pd = pd.DataFrame(att_de_po, columns=[‘Attack‘, ‘Defense‘, ‘Attack^2‘, ‘Att_Def‘, ‘Defense^2‘]) print(att_de_po_pd.head())
变化后的参数特征
机器学习入门-数据预处理-进行多项式变化(将特征投影到高维度上)
标签：机器 src 学习 向量 encoding idt 列表 扩展 引入
原文地址：https://www.cnblogs.com/my-love-is-python/p/10321260.html
