機器學習筆記7-監督學習

規一化數字特徵

除了對於高度傾斜的特徵施加轉換，對數值特徵施加一些形式的縮放一般會是一個好的習慣。在數據上面施加一個縮放並不會改變數據分佈的形式（好比上面說的'capital-gain' or 'capital-loss'）；可是，規一化保證了每個特徵在使用監督學習器的時候可以被平等的對待。注意一旦使用了縮放，觀察數據的原始形式再也不具備它原本的意義了，就像下面的例子展現的。

運行下面的代碼單元來規一化每個數字特徵。咱們將使用sklearn.preprocessing.MinMaxScaler來完成這個任務。

from sklearn.preprocessing import MinMaxScaler

# 初始化一個 scaler，並將它施加到特徵上
scaler = MinMaxScaler()
numerical = ['age', 'education-num', 'capital-gain', 'capital-loss', 'hours-per-week']
features_raw[numerical] = scaler.fit_transform(data[numerical])

# 顯示一個通過縮放的樣例記錄
display(features_raw.head(n = 1))

age	workclass	education_level	education-num	marital-status	occupation	relationship	race	sex	capital-gain	capital-loss	hours-per-week	native-country
0	0.30137	State-gov	Bachelors	0.8	Never-married	Adm-clerical	Not-in-family	White	Male	0.02174	0.0	0.397959	United-States

練習：數據預處理

從上面的數據探索中的表中，咱們能夠看到有幾個屬性的每一條記錄都是非數字的。一般狀況下，學習算法指望輸入是數字的，這要求非數字的特徵（稱爲類別變量）被轉換。轉換類別變量的一種流行的方法是使用獨熱編碼方案。獨熱編碼爲每個非數字特徵的每個可能的類別建立一個「虛擬」變量。例如，假設someFeature有三個可能的取值A，B或者C，。咱們將把這個特徵編碼成someFeature_A, someFeature_B和someFeature_C.

特徵X		特徵X_A	特徵X_B	特徵X_C
B		0	1	0
C	----> 獨熱編碼 ---->	0	0	1
A		1	0	0

此外，對於非數字的特徵，咱們須要將非數字的標籤'income'轉換成數值以保證學習算法可以正常工做。由於這個標籤只有兩種可能的類別（"<=50K"和">50K"），咱們沒必要要使用獨熱編碼，能夠直接將他們編碼分別成兩個類0和1，在下面的代碼單元中你將實現如下功能：

• 使用pandas.get_dummies()對'features_raw'數據來施加一個獨熱編碼。
• 將目標標籤'income_raw'轉換成數字項。
  • 將"<=50K"轉換成0；將">50K"轉換成1。