AI人工智能数据预处理技术

文章编号：2679 / 分类：技术教程 / 更新时间：2024-05-17 14:44:10 / 浏览：次

恭喜您成为首批注册用户

下面介绍数据预处理技术-

这是当需要将数值转换为布尔值时使用的预处理技术。我们可以用一种内置的方法来二值化输入数据，比如说用0.5作为阈值，方法如下-

data_binarized=preprocessing.Binarizer(threshold=0.5).transform(input_data)print("\nBinarizeddata:\n",data_binarized)

现在，运行上面的代码后，将得到以下输出，所有高于0.5(阈值)的值将被转换为1，并且所有低于0.5的值将被转换为0。

这是机器学习中使用的另一种非常常见的预处理技术。基本上它用于消除特征向量的均值，以便每个特征都以零为中心。还可以消除特征向量中的特征偏差。为了对样本数据应用平均去除预处理技术，可以编写如下Python代码。代码将显示输入数据的平均值和标准偏差-

print("Mean=",input_data.mean(axis=0))print("Stddeviation=",input_data.std(axis=0))

运行上述代码行后，将得到以下输出-

Mean=[1.75-1.2752.2]Stddeviation=[2.714313914.200223214.69414529]

现在，下面的代码将删除输入数据的平均值和标准偏差-

data_scaled=preprocessing.scale(input_data)print("Mean=",data_scaled.mean(axis=0))print("Stddeviation=",data_scaled.std(axis=0))

运行上述代码行后，将得到以下输出-

这是另一种数据预处理技术，用于缩放特征向量。特征向量的缩放是需要的，因为每个特征的值可以在许多随机值之间变化。换句话说，我们可以说缩放非常重要，因为我们不希望任何特征合成为大或小。借助以下Python代码，我们可以对输入数据进行缩放，即特征矢量-

data_scaler_minmax=preprocessing.MinMaxScaler(feature_range=(0,1))data_scaled_minmax=data_scaler_minmax.fit_transform(input_data)print("\nMinmaxscaleddata:\n",data_scaled_minmax)

运行上述代码行后，将得到以下输出-

这是另一种数据预处理技术，用于修改特征向量。这种修改对于在一个普通的尺度上测量特征向量是必要的。以下是可用于机器学习的两种标准化-

它也被称为最小绝对偏差。这种标准化会修改这些值，以便绝对值的总和在每行中总是最多为1。它可以在以下Python代码，使用上面的输入数据来实现-

##Normalizedatadata_normalized_l1=preprocessing.normalize(input_data,norm='l1')print("\nL1normalizeddata:\n",data_normalized_l1)Python

上面的代码行生成以下输出:

它也被称为最小二乘。这种归正常化修改了这些值，以便每一行中的平方和总是最多为1。它可以在以下Python代码，使用上面的输入数据来实现-

##Normalizedatadata_normalized_l2=preprocessing.normalize(input_data,norm='l2')print("\nL2normalizeddata:\n",data_normalized_l2)Python

执行以上代码行将生成以下输出-

L2normalizeddata:[[0.33946114-0.307131510.88906489][-0.333251060.533201690.7775858][0.05156558-0.814736120.57753446][0.687069140.26784051-0.6754239]]以上内容是否对您有帮助：在文档使用的过程中是否遇到以下问题：