归一化
归一化也称标准化,是处理数据挖掘的一项基础工作,使用归一化的原因大体如下:
数据存在不同的评价指标,其量纲或量纲单位不同,处于不同的数量级。解决特征指标之间的可比性,经过归一化处理后,各指标处于同一数量级,便于综合对比。求最优解的过程会变得平缓,更容易正确收敛。即能提高梯度下降求最优解时的速度。提高计算精度。适合进行综合对比评价。
MinMaxScaler
线性归一化,也称为离差标准化,是对原始数据的线性变换,MinMax标准化方法的缺陷在当有新数据加入时,可能会导致X.max和X.min的值发生变化,需要重新计算。其转换函数如下:
StandardScaler
标准差归一化,也叫Z-score标准化,这种方法给予原始数据的均值(mean,μ)和标准差(standard deviation,σ)进行数据的标准化。经过处理后的数据符合标准正态分布,即均值为0,标准差为1,转化函数为:
MaxAbsScaler
原理与MinMaxScaler很像,只是数据会被规模化到[-1,1]之间。也就是特征中,所有数据都会除以最大值。这个方法对那些已经中心化均值维0或者稀疏的数据有意义。
模型
本次实验使用了5个模型,分别为Lasso、Redige、SVR、RandomForest、XGBoost。
方法:
- 以不同方式划分数据集和测试集
- 使用不同的归一化(标准化)方式
- 使用不同的模型
- 通过比较MSE(均方误差,mean-square error)的大小来得出结论
部分代码及结果
import numpy as np import pandas as pd import matplotlib.pyplot as plt #data = pd.read_csv('路径') data = data.sort_values(by='time',ascending=True) data.reset_index(inplace=True,drop=True) target = data['T1AOMW_AV'] del data['T1AOMW_AV']
数据处理:
去除缺失值
# 没有缺失值 All_NaN = pd.DataFrame(data.isnull().sum()).reset_index() All_NaN.columns = ['name','times'] All_NaN.describe()
所有数据中,干掉 方差小于1的属性
feature_describe_T = data.describe().T std_feature = feature_describe_T[feature_describe_T['std']<1].index feature = [column for column in data.columns if column not in std_feature] # 筛选方差大于1的属性 data = data[feature] del data['time']
test_data = data[:5000] data1 = data[5000:16060] target1 = target[5000:16060] data2 = data[16060:] target2 = target[16060:] import scipy.stats as stats dict_corr = { 'spearman' : [], 'pearson' : [], 'kendall' : [], 'columns' : [] } for i in data.columns: corr_pear,pval = stats.pearsonr(data[i],target) corr_spear,pval = stats.spearmanr(data[i],target) corr_kendall,pval = stats.kendalltau(data[i],target) dict_corr['pearson'].append(abs(corr_pear)) dict_corr['spearman'].append(abs(corr_spear)) dict_corr['kendall'].append(abs(corr_kendall)) dict_corr['columns'].append(i) # 筛选新属性 dict_corr =pd.DataFrame(dict_corr) new_fea = list(dict_corr[(dict_corr['pearson']>0.32) & (dict_corr['spearman']>0.48) & (dict_corr['kendall']>0.44)]['columns'].values) # 选取原则,选取25%分位数 以上的相关性系数 dict_corr.describe() len(new_fea)
各种模型的测试:
from sklearn.linear_model import LinearRegression,Lasso,Ridge from sklearn.preprocessing import MinMaxScaler,StandardScaler,MaxAbsScaler from sklearn.metrics import mean_squared_error as mse from sklearn.svm import SVR mm = MinMaxScaler() lr = Lasso(alpha=0.5) lr.fit(mm.fit_transform(data1[new_fea]), target1) lr_ans = lr.predict(mm.transform(data2[new_fea])) print("LR : ", mse(lr_ans,target2) )##lr ridge = Ridge(alpha=0.5) ridge.fit(mm.fit_transform(data1[new_fea]),target1) ridge_ans = ridge.predict(mm.transform(data2[new_fea])) print("ridge : ",mse(ridge_ans,target2 ))#ridge svr = SVR(kernel='rbf',C=100,epsilon=0.1).fit(mm.fit_transform(data1[new_fea]),target1) svr_ans = svr.predict(mm.transform(data2[new_fea])) print("svr : ",mse(svr_ans,target2) )#svr from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(data[new_fea],target,test_size=0.25,random_state=12345) ss = MaxAbsScaler() ss_x_train = ss.fit_transform(X_train) ss_x_test = ss.transform(X_test) estimator_lr = Lasso(alpha=0.5).fit(ss_x_train,y_train) predict_lr = estimator_lr.predict(ss_x_test) print('Lssao:',mse(predict_lr,y_test)) estimator_rg = Ridge(alpha=0.5).fit(ss_x_train,y_train) predict_rg = estimator_rg.predict(ss_x_test) print('Ridge:',mse(predict_rg,y_test)) estimator_svr = SVR(kernel='rbf',C=100,epsilon=0.1).fit(ss_x_train,y_train) predict_svr = estimator_svr.predict(ss_x_test) print('SVR:',mse(predict_svr,y_test)) estimator_RF = RandomForestRegressor().fit(ss_x_train,y_train) predict_RF = estimator_RF.predict(ss_x_test) print('RF:',mse(predict_RF,y_test)) predict_XG = xgb.XGBRegressor(learn_rate=0.1,n_estimators = 550,max_depth = 4,min_child_weight = 5,seed=0,subsample=0.7,gamma=0.1,reg_alpha=1,reg_lambda=1) predict_XG.fit(ss_x_train,y_train) predict_XG_ans=predict_XG.predict(ss_x_test) print("predict_XG : ", mse(predict_XG_ans,y_test))
结果:
结论:
- 对于Lasso模型,使用MaxAbsScaler方式时,mse增大十分明显,且归一化后结果高于不进行归一化时;
- 对于Redige模型,归一化结果也明显高于不归一化时的结果;
- 对于SVR模型,不进行归一化时,其MSE会非常大;
- 对于RandomForest和XGBoost来说,是否进行归一化对结果影响不大;