机器学习-数据预处理

缺失值处理

发现缺失值

拿到数据的第一步，判断是否存在缺失数据，以及字段的缺失值占比

缺失率：用shape（）和count（）函数做差得到数据的缺失值个数，再除以样本总个数

定性：df.info:查看总体数据，对比一下就知道哪里少了

定量：

$$LossRate=\frac{all.shape[0]-loss[column]}{all.shpae[0]}$$

• 案例分析：

#缺失率计算
(user_info.shape[0]-user_info['age_range'].count())/user_info.shape[0]
#查看总数量
user_info[user_info['age_range'].isna() | (user_info['age_range'] == 0)].count()

缺失值处理

方法	说明
dropna	根据各标签是否存在缺失数据进行过滤，可通过法制调节对缺失值的容忍度
fillna	指定值或者指定方法，ffill或者bfill (前向填充或者)
isnull	返回bool型对象
notnull	isnull的否定

填充方法经验：

1. 使用统计量填充：
   • 连续值：推荐使用中位数，排除过大过小值的影响
   • 离散值：推荐使用众数，不能用均值和中位数
2. 特殊值处理：
   填一个不正常的取值进行标识，如0，-1
3. 不处理：
   XGB和LGB等集成树模型对缺失值并不敏感，不需要你处理算法内部以及封装好了

常用缺失值填充方法：

插补方法	说明	优点	缺点	使用场景
均值填充	平均值	被插补的值比较稳定	不能反映缺失值的变异性，低估资料变异	低缺失率首选
随机插补	聚类填充：使用所有可能值填充；组合完整化方法	能体现变异性	依赖于观测值	低缺失率
回归插补	基于完整的数据集，建立回归模型	方差估计好	稳定性依赖于辅助变量，误差来源于抽样误差，不好控制	变量之间相关性强
EM算法	通过观测数据的边缘分布对未知参数进行极大似然估计	利用充分，考虑了缺失值的不确定性	计算复杂	高缺失率
多重插补MCMC	估计出插补的值，然后加上不同的噪声，形成多组可选的插补值	利用充分	计算复杂	高缺失率首选

异常值

看一下异常值：

单变量：

多变量：

如何处理？

• 删除：如果是输入误差、数据处理误差引起的异常值，或者异常值很小，直接删除
• 转换：例如对数据取对数，可以减轻由极值引起的变化
• 填充：先索引出异常值，然后使用类似缺失值处理的填充方法
• 区别对待：异常值单独拿出来，非异常值放一起，分别训练模型取预测

变量转换的方法

常用的几个：

1. 缩放比例或标准化；
   $$MinMax=\frac{X_i-Min}{Max-Min}$$

$$Standard=\frac{X_i-\mu }{\sigma }$$

2. 归一化：
   $$Normolize=\frac{x}{\sqrt{{\sum }_j^m{x}_j^2}}$$

使用场景：

• 对输出结果范围有要求，用归一化
• 数据较为稳定，不存在极大值极小值，用归一化
• 数据存在较多异常值和噪声，用标准化
• 常见的机器学习模型都要归一化或者标准化（树模型除外）

3. 非线性关系转换为线性：对数变化就是一个
4. 使倾斜分布对称：对于向右倾斜的分布采用平方根、立方根或者对数；对于向左分布，去平方、立方或指数

• 再来个比较飘的

6. 变量分组：根据不同的目标吧变量按不同类别分组 ；离散型：打标签分类；连续型：one-hot编码

---

样本不平衡问题

1. 随机欠采样
2. 随机过采样

基于复制的方法随机增加少数类，或者随机减少多数类；
问题：正确率非常的高，你应该非常的高兴，可惜这是过拟合的表现！

---

3. 基于聚类的过采样

依据聚类中心进行过采样方法/欠采样使得原始类中的集群样本数目相同

以聚类方法作为媒介，在一定程度上缓解了类间不平衡的问题，同时缓解了类内不平衡的问题。
问题：容易过拟合

---

4. SMOTE算法：人工制造相似样本取代直接复制
   • 计算少量样本与所有样本的距离
   • 设定样本不平衡的过采样倍率，找到距离最近的k个样本

缺点：距离度量，没用考虑近邻样本是不同类的

6. 基于数据清洗的SMOTE算法（封装了Tomek Links方法）

光说不练是瞎bb，show you code

import pandas as pd
from imblearn.over_sampling import SMOTE # 过抽样处理库SMOTE
from imblearn.under_sampling import RandomUnderSampler # 欠抽样处理库RandomUnderSampler
from sklearn.svm import SVC #SVM中的分类算法SVC
from imblearn.ensemble import EasyEnsembleClassifier # 简单集成方法EasyEnsemble

我已经对缺失值进行处理，我要处理的变量现在数据标签分为0，1两类

拿出我要处理的列：

这岂止是不平衡哈哈哈哈哈哈哈哈哈哈

直接复制的方法我就不写代码了，害人害己，准确率贼高还贼高兴好吧

from imblearn.over_sampling import RandomOverSampler, SMOTE
from collections import Counter

smo = SMOTE(random_state=0)
X_oversampled, y_oversampled = smo.fit_resample(X,y) 
print(Counter(y_oversampled))

• 处理到1：1，平衡状态
  
• SMOTE进阶：

from imblearn.combine import SMOTEENN
smo_tnn = SMOTEENN(random_state=0)
X_oversampled_1, y_oversampled_1 = smo_tnn.fit_resample(X,y) 
print(Counter(y_oversampled_1))

1：1不一定是完美的哦，有时候1：1.5比1：1好

这是二分类的很简单，那完美可视化观察一下多分类的情况：

处理前：

处理后：

• 蓝色是插入的，很显然补充了少数类

---

不平衡算法处理之前的效果：

参数任你怎么，上不去嘿嘿嘿！！！

---

我们来可靠算法经过处理后的表现：

• 准确率不是越高越好，多分类用AUC度量可靠一点，瞅瞅ROC曲线

XBG算法已经完美了！

---

聚类下采样

from imblearn.under_sampling import ClusterCentroids
clu = ClusterCentroids(random_state=0)
X_undersampled, y_undersampled = clu.fit_resample(X,y) 
print(Counter(y_undersampled))

效果也不差，不过你注意一下过拟合的问题

---

说了半天过拟合，那怎么知道

• 交叉验证的效果一眼便知

交叉验证的效果均值较大，原因分析：

数据量小，数据分布受偶然、特殊数据的影响大，此时扩充数据可以有明显改善，条件不允许的话只能增加折数，从而消除单个模型的不稳定性
考虑不同模型的融合
数据是按时间的顺序储存的，数据集没有打乱的话，每个时间的数据都是不同时间的范围的，在实际问题中不同时间范围内的数据本来就存在很大的不同
验证集的分布本来就和测试集的分布不同