人工智能數據準備
在上一節中,我們已經學習了監督和無監督機器學習算法。 這些算法需要格式化數據才能開始訓練過程。在這一節中,我們以某種方式準備或格式化數據,以便將其作爲ML算法的輸入提供。
本章重點介紹機器學習算法的數據準備。
預處理數據
在我們的日常生活中,需要處理大量數據,但這些數據是原始數據。 爲了提供數據作爲機器學習算法的輸入,需要將其轉換爲有意義的數據。 這就是數據預處理進入圖像的地方。 換言之,可以說在將數據提供給機器學習算法之前,我們需要對數據進行預處理。
數據預處理步驟
按照以下步驟在Python中預處理數據 -
第1步 - 導入有用的軟件包 - 如果使用Python,那麼這將成爲將數據轉換爲特定格式(即預處理)的第一步。如下代碼 -
import numpy as np
sklearn import preprocessing
這裏使用了以下兩個軟件包 -
- NumPy - 基本上NumPy是一種通用的數組處理軟件包,設計用於高效處理任意記錄的大型多維數組而不犧牲小型多維數組的速度。
- sklearn.preprocessing - 此包提供了許多常用的實用函數和變換器類,用於將原始特徵向量更改爲更適合機器學習算法的表示形式。
第2步 - 定義樣本數據 - 導入包後,需要定義一些樣本數據,以便可以對這些數據應用預處理技術。現在將定義以下樣本數據 -
input_data = np.array([2.1, -1.9, 5.5],
[-1.5, 2.4, 3.5],
[0.5, -7.9, 5.6],
[5.9, 2.3, -5.8]])
第3步 - 應用預處理技術 - 在這一步中,我們需要應用預處理技術。
以下部分描述數據預處理技術。
數據預處理技術
下面介紹數據預處理技術 -
二值化
這是當需要將數值轉換爲布爾值時使用的預處理技術。我們可以用一種內置的方法來二值化輸入數據,比如說用0.5
作爲閾值,方法如下 -
data_binarized = preprocessing.Binarizer(threshold = 0.5).transform(input_data)
print("\nBinarized data:\n", data_binarized)
現在,運行上面的代碼後,將得到以下輸出,所有高於0.5
(閾值)的值將被轉換爲1
,並且所有低於0.5
的值將被轉換爲0
。
二值化數據
[[ 1. 0. 1.]
[ 0. 1. 1.]
[ 0. 0. 1.]
[ 1. 1. 0.]]
平均去除
這是機器學習中使用的另一種非常常見的預處理技術。 基本上它用於消除特徵向量的均值,以便每個特徵都以零爲中心。 還可以消除特徵向量中的特徵偏差。 爲了對樣本數據應用平均去除預處理技術,可以編寫如下Python代碼。 代碼將顯示輸入數據的平均值和標準偏差 -
print("Mean = ", input_data.mean(axis = 0))
print("Std deviation = ", input_data.std(axis = 0))
運行上述代碼行後,將得到以下輸出 -
Mean = [ 1.75 -1.275 2.2]
Std deviation = [ 2.71431391 4.20022321 4.69414529]
現在,下面的代碼將刪除輸入數據的平均值和標準偏差 -
data_scaled = preprocessing.scale(input_data)
print("Mean =", data_scaled.mean(axis=0))
print("Std deviation =", data_scaled.std(axis = 0))
運行上述代碼行後,將得到以下輸出 -
Mean = [ 1.11022302e-16 0.00000000e+00 0.00000000e+00]
Std deviation = [ 1. 1. 1.]
縮放
這是另一種數據預處理技術,用於縮放特徵向量。 特徵向量的縮放是需要的,因爲每個特徵的值可以在許多隨機值之間變化。 換句話說,我們可以說縮放非常重要,因爲我們不希望任何特徵合成爲大或小。 藉助以下Python代碼,我們可以對輸入數據進行縮放,即特徵矢量 -
最小最大縮放
data_scaler_minmax = preprocessing.MinMaxScaler(feature_range=(0,1))
data_scaled_minmax = data_scaler_minmax.fit_transform(input_data)
print ("\nMin max scaled data:\n", data_scaled_minmax)
運行上述代碼行後,將得到以下輸出 -
[ [ 0.48648649 0.58252427 0.99122807]
[ 0. 1. 0.81578947]
[ 0.27027027 0. 1. ]
[ 1. 0. 99029126 0. ]]
正常化
這是另一種數據預處理技術,用於修改特徵向量。 這種修改對於在一個普通的尺度上測量特徵向量是必要的。 以下是可用於機器學習的兩種標準化 -
L1標準化
它也被稱爲最小絕對偏差。 這種標準化會修改這些值,以便絕對值的總和在每行中總是最多爲1
。 它可以在以下Python代碼,使用上面的輸入數據來實現 -
# Normalize data
data_normalized_l1 = preprocessing.normalize(input_data, norm = 'l1')
print("\nL1 normalized data:\n", data_normalized_l1)
上面的代碼行生成以下輸出:
L1 normalized data:
[[ 0.22105263 -0.2 0.57894737]
[ -0.2027027 0.32432432 0.47297297]
[ 0.03571429 -0.56428571 0.4 ]
[ 0.42142857 0.16428571 -0.41428571]]
L2標準化
它也被稱爲最小二乘。這種歸正常化修改了這些值,以便每一行中的平方和總是最多爲1
。它可以在以下Python代碼,使用上面的輸入數據來實現 -
# Normalize data
data_normalized_l2 = preprocessing.normalize(input_data, norm = 'l2')
print("\nL2 normalized data:\n", data_normalized_l2)
執行以上代碼行將生成以下輸出 -
L2 normalized data:
[[ 0.33946114 -0.30713151 0.88906489]
[ -0.33325106 0.53320169 0.7775858 ]
[ 0.05156558 -0.81473612 0.57753446]
[ 0.68706914 0.26784051 -0.6754239 ]]
標記數據
我們已經知道,某種格式的數據對於機器學習算法是必需的。 另一個重要的要求是,在將數據作爲機器學習算法的輸入發送之前,必須正確標記數據。 例如,如果所說的分類,那麼數據上會有很多標記。 這些標記以文字,數字等形式存在。與sklearn中的機器學習相關的功能期望數據必須具有數字標記。 因此,如果數據是其他形式,那麼它必須轉換爲數字。 這個將單詞標籤轉換爲數字形式的過程稱爲標記編碼。
標記編碼步驟
按照以下步驟在Python中對數據標記進行編碼 -
第1步 - 導入有用的軟件包
如果使用Python,那麼這將是將數據轉換爲特定格式(即預處理)的第一步。 它可以做到如下 -
import numpy as np
from sklearn import preprocessing
第2步 - 定義樣本標籤
導入包後,我們需要定義一些樣本標籤,以便可以創建和訓練標籤編碼器。 現在將定義以下樣本標籤 -
# Sample input labels
input_labels = ['red','black','red','green','black','yellow','white']
第3步 - 創建和訓練標籤編碼器對象
在這一步中,我們需要創建標籤編碼器並對其進行訓練。 以下是Python代碼的實現 -
# Creating the label encoder
encoder = preprocessing.LabelEncoder()
encoder.fit(input_labels)
以下是運行上面的Python代碼後的輸出 -
LabelEncoder()
第4步 - 通過編碼隨機排序列表來檢查性能
此步驟可用於通過編碼隨機排序列表來檢查性能。 下面的Python代碼可以做同樣的事情 -
# encoding a set of labels
test_labels = ['green','red','black']
encoded_values = encoder.transform(test_labels)
print("\nLabels =", test_labels)
標籤將如下打印 -
Labels = ['green', 'red', 'black']
現在,可以得到編碼值列表,即將文字標籤轉換爲數字,如下所示 -
print("Encoded values =", list(encoded_values))
輸出結果打印如下 -
Encoded values = [1, 2, 0]
第5步 - 通過解碼一組隨機數來檢查性能 -
通過對隨機數字集進行解碼,可以使用此步驟來檢查性能。 下面的Python代碼也可以做同樣的事情 -
# decoding a set of values
encoded_values = [3,0,4,1]
decoded_list = encoder.inverse_transform(encoded_values)
print("\nEncoded values =", encoded_values)
現在,將被打印如下 -
Encoded values = [3, 0, 4, 1]
print("\nDecoded labels =", list(decoded_list))
現在,解碼值將被打印如下 -
Decoded labels = ['white', 'black', 'yellow', 'green']
標記與未標記數據
未標記的數據主要由自然或人造物體的樣本組成,這些樣本可以很容易從現實世界中獲得。 它們包括音頻,視頻,照片,新聞文章等。
另一方面,帶標籤的數據採用一組未標記的數據,並用一些有意義的標籤或標籤或類來擴充每片未標記的數據。 例如,如果有照片,那麼標籤可以基於照片的內容放置,即它是男孩或女孩或動物或其他任何照片。 標記數據需要人類專業知識或判斷一個給定的未標記數據。
有很多情況下,無標籤數據豐富且容易獲得,但標註數據通常需要人工/專家進行註釋。 半監督學習嘗試將標記數據和未標記數據組合起來,以建立更好的模型。