标签：原因 基本 个人 oba 集中 精度 数据科学家 reg color
当特征和目标变量不是很相关时，可以修改输入的数据集，应用线性，非线性变换（或者其他相似方法）来提高系统的精度。
- 数据是“死”的，人的思维是“活”的。
- 数据科学家负责改变数据集和输入数据，使数据更好的符合分类模型。
基本方法：
A. 特征的线性修正
B. 特征的非线性修正
K近邻方法（K-Nearset neighbors,KNN）
K近邻算法思路：
在特征空间中，如果一个样本附近的k个最近（即特征空间中最邻近）样本的大多数属于某一个类别，则该样本也属于这个类别。
K邻近算法步骤：
在分类过程中仅需要在训练集中寻找最近（基于欧氏距离或其他的距离度量）的前K个样本，然后在这K个最相似样本中出现最多的目标标号就被选为分类标号。
参数：
邻近数目K；
估计相似度的度量（常用的是欧氏距离，L2距离）。
A 特征线性修正
例：加利福尼亚州的房价数据集（california_housing）分析
目标变量是房子价格（实数）——回归问题
注：
回归问题是连续型数据，分类问题是离散性数据
(1) 从sklearn工具包中加载数据——Python命令直接加载
In[1]:
1 import numpy as np 2 from sklearn.datasets import fetch_california_housing 3 housing = fetch_california_housing() 4 housing
Out[1]:
{‘data‘: array([[ 8.3252 , 41. , 6.98412698, ..., 2.55555556, 37.88 , -122.23 ], [ 8.3014 , 21. , 6.23813708, ..., 2.10984183, 37.86 , -122.22 ], [ 7.2574 , 52. , 8.28813559, ..., 2.80225989, 37.85 , -122.24 ], ..., [ 1.7 , 17. , 5.20554273, ..., 2.3256351 , 39.43 , -121.22 ], [ 1.8672 , 18. , 5.32951289, ..., 2.12320917, 39.43 , -121.32 ], [ 2.3886 , 16. , 5.25471698, ..., 2.61698113, 39.37 , -121.24 ]]), ‘target‘: array([4.526, 3.585, 3.521, ..., 0.923, 0.847, 0.894]), ‘feature_names‘: [‘MedInc‘, ‘HouseAge‘, ‘AveRooms‘, ‘AveBedrms‘, ‘Population‘, ‘AveOccup‘, ‘Latitude‘, ‘Longitude‘], ‘DESCR‘: ‘.. _california_housing_dataset:\n\nCalifornia Housing dataset\n--------------------------\n\n**Data Set Characteristics:**\n\n :Number of Instances: 20640\n\n :Number of Attributes: 8 numeric, predictive attributes and the target\n\n :Attribute Information:\n - MedInc median income in block\n - HouseAge median house age in block\n - AveRooms average number of rooms\n - AveBedrms average number of bedrooms\n - Population block population\n - AveOccup average house occupancy\n - Latitude house block latitude\n - Longitude house block longitude\n\n :Missing Attribute Values: None\n\nThis dataset was obtained from the StatLib repository.\nhttp://lib.stat.cmu.edu/datasets/\n\nThe target variable is the median house value for California districts.\n\nThis dataset was derived from the 1990 U.S. census, using one row per census\nblock group. A block group is the smallest geographical unit for which the U.S.\nCensus Bureau publishes sample data (a block group typically has a population\nof 600 to 3,000 people).\n\nIt can be downloaded/loaded using the\n:func:`sklearn.datasets.fetch_california_housing` function.\n\n.. topic:: References\n\n - Pace, R. Kelley and Ronald Barry, Sparse Spatial Autoregressions,\n Statistics and Probability Letters, 33 (1997) 291-297\n‘}
这里的‘feature_name‘是特征名，有房龄，人均面积，人均房间数，人均卧室数，能容纳多少人等等信息；‘data‘是二维数组(特征数据数组)，包含了每个房子的具体信息，如房甲可以容纳3人，20平，20年等；‘target‘是一维数组(目标数组或标签数组)，包含了房子的价格。
1 X=housing[‘data‘] 2 Y=housing[‘target‘]
1 #将原始数据按照比例分割为“测试集”和“训练集” 2 from sklearn.model_selection import train_test_split 3 X_train, X_test, Y_train, Y_test = train_test_split(X,Y,train_size=0.8)
(2-1)计算均方误差
均方差（Mean Squared Error，MSE）是参数估计值与真实值之差的平方的期望值。MSE的值越小，说明预测模型描述实验数据的准确度更好。
1 from sklearn.neighbors import KNeighborsRegressor 2 from sklearn.metrics import mean_squared_error 3 regressor = KNeighborsRegressor()#建立一个K邻近模型 4 regressor.fit(X_train,Y_train)#将训练集的两部分进行拟合（建模） 5 Y_est = regressor.predict(X_test)#对测试集预测得到Y_est 6 print("MSE=",mean_squared_error(Y_test, Y_est))#利用均方误差将观察结果和预测结果进行模型评估
MSE= 1.1570134432841734
注：每次运行可能获得的MSE值都不一样，因为将原始数据进行分割时，虽然是按照比例2：8分割；但是是随机分割，每次分到的数据值都有所不同。
注：MAE和MSE的区别
平均绝对误差（Mean Absolute Error，MAE）是所有单个观测值与算术平均值的偏差的绝对值的平均。
1 from sklearn.metrics import mean_absolute_error 2 print("MAE=",mean_absolute_error(Y_test,Y_est))
MAE= 0.8234513512596899
(2-2)计算均方误差——Z-scores标准化
Z-scores标准化是将特征映射为均值为0，标准差为1的新特征，使原始数据转换为无量纲化值，即各指标值都处于同一数量级别（均值为0，标准差为1的级别）。也就是求每一列的均值，然后用原始数据减去均值再除以方差。
1 from sklearn.preprocessing import StandardScaler#标准化 2 scaler = StandardScaler() 3 X_train_scaled = scaler.fit_transform(X_train)#先拟合数据，再把其转换成标准形式（也就是为了得到特征值的均值和方差，即转换规则） 4 X_test_scaled = scaler.transform(X_test)#把测试数据标准化（因为上一步已经拟合过建好了模型，就不需要再次拟合了，直接标准化就行了） 5 regressor = KNeighborsRegressor()#K邻近模型 6 regressor.fit(X_train_scaled,Y_train)#把标准化之后的新特征和Y_train进行拟合 7 Y_est = regressor.predict(X_test_scaled)#对标准化的测试特征值预测 8 print("MSE",mean_squared_error(Y_test,Y_est))
MSE 0.4485372399520397
第一步：导入sklearn包；
第二步：实例化出一个scaler；
第三步：利用.fit_transform(trainData)先拟合数据，得到均值和方差，再转换为标准形式；（抽象理解为X轴上是数据，Y轴上是标准化后（均值为0方差为1）的数据）
第四步：利用.transform(testData)把测试数据标准化；
第五步：实例化K邻近模型；
第六步：利用K邻近模型里的.fit()函数拟合标准化数据和训练集的标签数据；
第七步：利用模型.predict()函数对标准化测试集进行预测；
第八步：计算观测值和预测值的均方误差。
标准化之后，均方差值减小一半。
注：Z-scores标准化属于线性变换。
（2-3）计算均方误差——鲁棒性缩放
鲁棒性缩放（RobustScaler）采用中位数和IQR对每个特征进行单独缩放。IQR：第一个和第三个四分位数。
由于数据读入缺失，传输错误或传感器损坏等原因，如果有一个或一些点远离中心，这些异常数据对均值和方差的影响较大，但对中位数和四分位数影响不大，因此鲁棒缩放对于异常值更
1 from sklearn.preprocessing import RobustScaler 2 scaler2 = RobustScaler() 3 X_train_scaled = scaler2.fit_transform(X_train) 4 X_test_scaled = scaler2.transform(X_test) 5 regressor = KNeighborsRegressor() 6 regressor.fit(X_train_scaled,Y_train) 7 Y_est = regressor.predict(X_test_scaled) 8 print("MSE=",mean_squared_error(Y_test,Y_est))
注：鲁棒缩放属于线性变换。
- 通过比较标准化的MSE和鲁棒缩放的MSE可以判断该数据集内异常数据多少。假如标准化MSE>鲁棒缩放MSE就可以得出该数据集异常数据较多的结论，反之相反。
B 特征非线性修正
假定输出结果与房屋居住人数大致相关（但不是线性相关）：
- 事实上，房屋是1个人住还是3个人住，其价格会有很大区别。
- 然而，同样的房子10个人居住和12个人居住，其价格差别并不是很大（尽管仍然是两个人的差别）
我们可以将房屋利用率的平方根作为新特征
平方根特点：当数据比较小的时候，变化比较大；当数据比较大的时候，变化比较小。
1 non_linear_feat = 5 #AvgOccup平均占用率是第六个特征。索引从0开始。 2 X_train_new_feat = np.sqrt(X_train[:,non_linear_feat])#将训练集第6列整个取出求平方根 3 X_train_new_feat.shape = (X_train_new_feat.shape[0],1)#将行数，列数存入 4 X_train_extended = np.hstack([X_train,X_train_new_feat])#堆栈数组水平顺序（列），将新特征列存入数据集
5 X_test_new_feat = np.sqrt(X_test[:,non_linear_feat]) 6 X_test_new_feat.shape = (X_test_new_feat.shape[0],1) 7 X_test_extended = np.hstack([X_test,X_test_new_feat])
8 scaler = StandardScaler() 9 X_train_extended_scaled = scaler.fit_transform(X_train_extended) 10 X_test_extended_scaled = scaler.transform(X_test_extended) 11 regressor = KNeighborsRegressor() 12 regressor.fit(X_train_extended_scaled,Y_train) 13 Y_est = regressor.predict(X_test_extended_scaled) 14 print("MSE=",mean_squared_error(Y_test,Y_est))
MSE= 0.3796934162768246
注：sqrt()属于非线性变换。
我们可以看到这次的MSE又小了，说明我们这次特征的非线性变换很有效。
标签：原因 基本 个人 oba 集中 精度 数据科学家 reg color
原文地址：https://www.cnblogs.com/guojiaxue/p/12598740.html
