机器学习实战 | 数据探索

数据的输入质量决定了输出的最后结果,数据的探索、预处理、特征选择、降维等特征工程占了项目的70%的时间。那么如果我们确定了商业目的,该如何一步一步渐进式进行特征工程呢?各位看官不急,请小的慢慢给你道来。

在建立模型前,我们大致需要顺序经过以下几步:

1、变量识别 2、单变量分析 3、双变量分析 4、缺失值处理 5、异常值处理 6、变量变化 7、变量创建

其中第4-7步在模型优化中会重复进行。

1、变量识别

首先,识别Predictor(即feature、输入)和Target(输出)变量。 接下来,确定变量的数据类型和类别。

举一个例子,让我们更清楚地了解这一步。 假设我们想预测学生是否会玩板球(参考下面的数据集),需要识别预测变量、目标变量,变量的数据类型和变量类别。

那么

Data_exploration_2.png

2、单变量分析

在这个阶段,我们逐个探索变量。 执行单变量分析的方法取决于变量类型是分类类型还是连续类型。

3、连续变量

在连续变量的情况下,我们需要了解变量的中心趋势和分散,使用各种统计度量可视化方法进行测量,如下所示

Data_exploration_31.png

4、分类变量

对于分类变量,我们可使用频率表来了解每个类别的分布,也可以读取每个类别下的值的百分比,也可以使用每个类别的Count和Count%来衡量。Bar chart可以用作可视化。

5、双变量分析

双变量分析的主要目的是发现两个变量之间的关系。可以对分类和连续变量的任何组合执行双变量分析。如:Continuous & Continuous,Categorical & Categorical,Categorical & Continuous and Continuous & Continuous。

6、Continuous&Continuous

在两个连续变量之间进行双变量分析时,散点图( scatter plot)是找出两个变量之间的关系的一个很好的方式。 散点图表示变量之间的关系可以是线性或非线性。

correlation-examples

  • -1: perfect negative linear correlation
  • +1:perfect positive linear correlation and
  • 0: No correlation

scatter plot只是直观来看,但是相关性如何计算呢?一般通过Pearson Correlation 来计算,缺点是:只可以确定线性相关性。非线性关系,可以采用互信息法,互信息系数能够很好地度量各种相关性,但是计算相对复杂一些。Pearson Correlation 计算方法如下:

correlation-calc1

Step 1: 计算x、y的均值 Step 2: x的每个值减去x的均值得到a, y值做类似操作得到b Step 3: 计算: a × b, a的平方和b的平方 Step 4: 求a × b, a平方和b平方的和 Step 5: 如5的公式

7、Categorical&Categorical

双向表:我们可以通过创建一个计数和计数%的双向表来开始分析关系,行表示一个变量的类别,列表示另一个变量的类别,如图。

Data_exploratio

Stacked Column Chart:更直观,如上图。 卡方检验:计算方法可以参考前面文章 确定自变量和因变量的相关性

p值为0:表示两个变量是相关的 p值为1:表示两个变量是独立的

7、Categorical&Continuous

在探索分类和连续变量之间的关系时,我们可以为每个级别的分类变量绘制box plot,但不显示统计学意义。 为了看统计学意义,我们可以进行Z检验,T检验或方差分析。

T检验与Z检验非常相似,但用于当两个类别的观察次数小于30时,方差分析用于评估两个以上组的平均值是否在统计学上不同。

下篇再接着介绍。

8、参考

1、central measures(https://www.mathsisfun.com/data/central-measures.html) 2、range(https://www.mathsisfun.com/data/range.html) 3、https://www.analyticsvidhya.com/blog/2016/01/guide-data-explo

4、ration/(https://www.analyticsvidhya.com/blog/2016/01/guide-data-exploration/)

原文发布于微信公众号 - 人工智能LeadAI(atleadai)

原文发表时间:2017-11-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏JasonhavenDai

统计学习方法之K近邻法1.k近邻法(k-nearest neighbor,k-NN)2.k近邻模型3.k近邻算法的实现

1.k近邻法(k-nearest neighbor,k-NN) k近邻算法是一个基本分类和回归方法,k-NN的输入时实例的特征向量,对应于特征空间的点,输出是...

2775
来自专栏ATYUN订阅号

机器学习入门——使用python进行监督学习

? 什么是监督学习? 在监督学习中,我们首先要导入包含训练特征和目标特征的数据集。监督式学习算法会学习训练样本与其相关的目标变量之间的关系,并应用学到的关系对...

37610
来自专栏CDA数据分析师

机器学习基础与实践(二)——数据转换

本文目录: 一.标准化的原因 二.适用情况 三.三种数据变换方法的含义与应用 四.具体方法及代码 一)标准化 1.1 scale----零均值单位方差1.2 S...

1946

用Pandas在Python中可视化机器学习数据

为了从机器学习算法中获取最佳结果,你就必须要了解你的数据。

1815
来自专栏智能算法

主成分分析到底怎么分析?

PCA(Principal Component Analysis)是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示,可用于提...

29710
来自专栏智能算法

基础聚类算法:K-means算法

一、算法简介: 俗话说:“物以类聚,人以群分”,聚类算法不同于分类算法,对于一个 分类器 ,通常需要你告诉它“这个东西被分为某某类”这样一些例子,理想情况下,一...

3345
来自专栏机器之心

入门 | 如何通过梯度检验帮助实现反向传播

1135
来自专栏ATYUN订阅号

【行业】2018年你应该知道的十大机器学习算法

本文简要介绍一些最常用的机器学习算法,没有代码,没有抽象理论,只有图片和一些如何使用它们的例子。

984
来自专栏非著名程序员

Android二维码扫描开发(二):YUV图像格式详解

? 前一篇提到了,相机返回的是YUV格式的图像数据,那么YUV到底是怎样一种格式呢?本篇将对YUV图像格式进行详细的解释。 上一篇中,我们了解了Android...

26510
来自专栏派森公园

机器学习101(译)

1887

扫描关注云+社区