Hike News
Hike News

機器學習-特徵工程-字典特徵抽取(feature extraction)

機器學習

機器學習是從數據(data)中自動分析獲得模型(model),並利用規律對未知的數據進行預測(predict)

  • 數據和特徵決定了機器學習的上限,而模型和算法只是逼近這個上限而已

one-hot 編碼

  • 不讓不同的特徵(皮膚顏色:黃、黑、白, 性別:男、女)之間有優先級之分
  • 把不同類別的特徵轉換為以下形式,利於進行分析
Sample\皮膚顏色
1 0 1 0
2 1 0 0
3 0 0 1

特徵抽取/提取(feature extraction)

特徵抽取是對任意數據(文本or圖像)等數據進行特徵值化便于機器學習

  • 特徵值化是為了計算機更好的去理解數據

sklearn特徵抽取API

  • 使用sklearn.feature_extraction

字典特徵抽取

字典數據進行特徵值化

  • 把字典中一些類別的數據,分別轉換成特徵
  • 應用場景:
    • 數據集中有很多的類別特徵(性別,人員乘坐的船艙…等)
      1. 將數據集的特徵轉換成字典類型
      2. DictVectorizer轉換
    • 本身拿到的數據就是字典類型即直接使用字典特徵抽取
  • 使用sklearn.feature_extraction.DictVectorizer

DictVectorizer(sparse=True,…)

實例化了一個字典向量化的實例(轉換器類)

  • sparse矩陣(節約內存,方便讀取處理)
  • sparse=False時則返回一般矩陣(ndarray type)
fit_transform(X)

使用此方法就能將一個字典數據化

  • X: 字典或者包含字典的迭代器
  • 返回值: 返回sparse矩陣
inverse_transform(X)
  • X: array陣列或者sparse矩陣
  • 返回值: 轉換之前的數據格式(將陣列轉回原本的字典,形式會改變)
1
2
3
4
5
[{'city=Taipei': 1.0, 'temperature': 35.0}, 
{'city=Tainan': 1.0, 'temperature': 32.0},
{'city=Nantou': 1.0, 'temperature': 30.0},
{'city=Chiayi': 1.0, 'temperature': 31.0}]

get_feature_names()
  • 返回類別的名稱
1
2
3
4
5
['city=Chiayi', 
'city=Nantou',
'city=Tainan',
'city=Taipei',
'temperature']
transform(X)
  • 按照原先的標準轉換

流程

  1. 實例化類DictVectorizer
  2. 調用fit_transform方法輸入數據並轉換
  • 注意返回格式為sparse矩陣

Example

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
from sklearn.feature_extraction import DictVectorizer

dictData = [
{"city":"Taipei","temperature":35},
{"city":"Tainan","temperature":32},
{"city":"Nantou","temperature":30},
{"city":"Chiayi","temperature":31},
]

#字典數據抽取
def dictvec():

# 實例化 字典轉換器類
dict = DictVectorizer()

# 調用fit_transform
trans_data = dict.fit_transform(dictData)

print(trans_data)

if __name__ == '__main__':
dictvec()
sparse = True(預設)

結果返回稀疏(sparse)矩陣

1
2
3
4
5
6
7
8
(0, 3)	1.0
(0, 4) 35.0
(1, 2) 1.0
(1, 4) 32.0
(2, 1) 1.0
(2, 4) 30.0
(3, 0) 1.0
(3, 4) 31.0

  • sparse矩陣較節約內存,提高加載數據的效率
  • 前面的元組為第幾行,第幾列,後面的數字為值
sparse = False

DictVectorizer(sparse=False),返回ndarray(一般矩陣)

1
2
3
4
[[ 0.  0.  0.  1. 35.]
[ 0. 0. 1. 0. 32.]
[ 0. 1. 0. 0. 30.]
[ 1. 0. 0. 0. 31.]]