R|ML_code-入门（1）

主要依据爆红GITHUB的百日入门机器学习项目，跟进学习；原文展示的python代码部分进行学习，额外会尝试使用R解决，希望能少弃一些章节。 Github原链接https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day%201_Data%20PreProcessing.md。 本次主要进行机器学习的入门，内容比较基础。

1 获得数据集（get the dataset） 数据集包括两部分，独立变量（independent variable）和依赖变量（dependent variable 。机器学习的目的就是需要通过独立变量来预测非独立变量（prediction）。

2 导入数据集（importing dataset） 先设置working directory, 将代码与数据保存在working directory文件夹下

# 设置working directory getwd() setwd("C:\\Users\\M*****\\Documents\\ML\\day1\\")

# Importing the dataset dataset <- read.csv("Data.csv",header=T,stringsAsFactor=FALSE) View(dataset)

Age和Salary是独立变量，通过这两个独立变量预测是否会Purchase（非独立变量）。

3 处理空数据（Handling the missing data） 在数据集中可能会出现为空的数据，我们不能删除有空数据的列，这会对我们机器学习的结果造成影响，NA有很多处理方法（后续分享），此处用mean来代替空值。

# Taking care of missing datadatasetAge = ifelse(is.na(datasetAge),mean(datasetAge, na.rm = TRUE),datasetAge)

datasetSalary = ifelse(is.na(datasetSalary), ave(datasetSalary, FUN = function(x) mean(x, na.rm = TRUE)), datasetSalary)

Country Age Salary Purchased 1 France 44.00000 72000.00 No 2 Spain 27.00000 48000.00 Yes 3 Germany 30.00000 54000.00 No 4 Spain 38.00000 61000.00 No 5 Germany 40.00000 63777.78 Yes 6 France 35.00000 58000.00 Yes 7 Spain 38.77778 52000.00 No 8 France 48.00000 79000.00 Yes 9 Germany 50.00000 83000.00 No 10 France 37.00000 67000.00 Yes 4 分类数据（Encoding categorical data） 对于数据集中的同类别的数据（如country列）为非numerical的数据，可以用数字1,2,3区分不同国家，但是会出现问题。国家之间地位相同，但数字有大小之分。 因此需要设置哑变量，不同的类别（如不同国家）单独分为一个列，属于这个国家的设置为1，不属于的设置为0。 注：在R语言中不需要特别将每一类别分为一列，因为每一列用vector来表示，可以接受不同的大小。

# Encoding categorical datadatasetCountry = factor(datasetCountry, levels = c('France', 'Spain', 'Germany'), labels = c(1, 2, 3))datasetPurchased = factor(datasetPurchased, levels = c('No', 'Yes'), labels = c(0, 1))

5 将数据集分类 当数据集准备完成之后，将独立变量和依赖变量分为训练集和测试集。训练集与测试集的比例一般是用4:1。 # Splitting the dataset into the Training set and Test set # install.packages('caTools') library(caTools) set.seed(123) split = sample.split(dataset$Purchased, SplitRatio = 0.8) training_set = subset(dataset, split == TRUE) test_set = subset(dataset, split == FALSE)

test_set Country Age Salary Purchased 6 1 35 58000 1 9 3 50 83000 0

6 特征量化 (feature scaling) 数据处理的重要步骤，在机器学习中，由于每个变量的范围不同，如果两个变量之间差距太大，会导致距离对结果产生影响。需要一定的标准化改变，最简单的方式是将数据缩放至[0.1]或者[-1,1]之间：

# Feature Scaling training_set[, 2:3] = scale(training_set[, 2:3]) test_set[, 2:3] = scale(test_set[, 2:3])

test_set Country Age Salary Purchased 6 1 -0.7071068 -0.7071068 1 9 3 0.7071068 0.7071068 0

Done 建立模板 经过以上几个简单的对数据进行预处理的步骤，既为初步的分析模板， 下面就开始真正的机器学习入门到放弃了。

R代码如下： # Data Preprocessing template # Importing the dataset dataset <- read.csv("Data.csv",header=T,stringsAsFactor=FALSE)

# Taking care of missing datadatasetAge = ifelse(is.na(datasetAge),mean(datasetAge, na.rm = TRUE),datasetAge)

datasetSalary = ifelse(is.na(datasetSalary), ave(datasetSalary, FUN = function(x) mean(x, na.rm = TRUE)), datasetSalary)

# Encoding categorical datadatasetCountry = factor(datasetCountry, levels = c('France', 'Spain', 'Germany'), labels = c(1, 2, 3))datasetPurchased = factor(datasetPurchased, levels = c('Yes','No'), labels = c(1, 0))

# Splitting the dataset into the Training set and Test set library(caTools) set.seed(123) split = sample.split(dataset$Purchased, SplitRatio = 0.8) training_set = subset(dataset, split == TRUE) test_set = subset(dataset, split == FALSE)

# Feature Scaling training_set[, 2:3] = scale(training_set[, 2:3]) test_set[, 2:3] = scale(test_set[, 2:3])

参考资料：

https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day%201_Data%20PreProcessing.md