Machine Learning - Scaling

Feature Scaling (Scale Features)

Kapag ang iyong datos ay may magkakaibang halaga, kahit na gamit ang iba't ibang sistema ng pagsukat, maaaring mahirap silang paghahambing. Ano ang magiging halaga ng kilo kumpara sa metro? O kung magkakaroon ng ibang sistema ng pagsukat para sa taon ng altitud?

Ang sagot sa tanong na ito ay scaling. Maaari naming i-scale ang data upang maging madaling paghahambing sa bagong halaga.

Mangyaring tingnan ang sumusunod na talahanayan, na ito ay kapareho saMaramihang PagbabalikIn ang pinagmumulan ng datos ay magkapareho, ngunit sa pagkakataong ito, ang unidade ng Volume ay litro, hindi ccm (1.0 kung hindi 1000).

Car Model Volume Weight CO2
Toyota Aygo 1.0 790 99
Mitsubishi Space Star 1.2 1160 95
Skoda Citigo 1.0 929 95
Fiat 500 0.9 865 90
Mini Cooper 1.5 1140 105
VW Up! 1.0 929 105
Skoda Fabia 1.4 1109 90
Mercedes A-Class 1.5 1365 92
Ford Fiesta 1.5 1112 98
Audi A1 1.6 1150 99
Hyundai I20 1.1 980 99
Suzuki Swift 1.3 990 101
Ford Fiesta 1.0 1112 99
Honda Civic 1.6 1252 94
Hundai I30 1.6 1326 97
Opel Astra 1.6 1330 97
BMW 1 1.6 1365 99
Mazda 3 2.2 1280 104
Skoda Rapid 1.6 1119 104
Ford Focus 2.0 1328 105
Ford Mondeo 1.6 1584 94
Opel Insignia 2.0 1428 99
Mercedes C-Class 2.1 1365 99
Skoda Octavia 1.6 1415 99
Volvo S60 2.0 1415 99
Mercedes CLA 1.5 1465 102
Audi A4 2.0 1490 104
Audi A6 2.0 1725 114
Volvo V70 1.7 1523 109
BMW 5 2.0 1705 114
Mercedes E-Class 2.1 1605 115
Volvo XC70 2.0 1746 117
Ford B-Max 1.6 1235 104
BMW 2 1.6 1390 108
Opel Zafira 1.6 1405 109
Mercedes SLK 2.5 1395 120

Mahirap na maghahalintulad ang baryo 1.0 at ang bigat na 790, ngunit kung ayusin sila sa kaparehong halaga, madaling makita kung gaano karami ang pagkakaiba ng isang halaga sa ibang halaga.

Mayroong maraming paraan para sa pagsuwayin ng data, sa ganoong tutorial, gagamitin namin ang isang pangalan na standardization (standardization).

Ang pamamaraan ng standardization ay gumagamit ng sumusunod na formula:

z = (x - u) / s

Kung saan z ay ang bagong halaga, x ay ang orihinal na halaga, u ay ang average, at s ay ang standard deviation.

Kung kinukuha mula sa itaas na dataset: weight Kung ang column, ang unang halaga ay 790, ang halaga pagkatapos ng pagsuwayin ay:

(790 - 1292.23) / 238.74 = -2.1

Kung kinukuha mula sa itaas na dataset: volume Kung ang column, ang unang halaga ay 1.0, ang halaga pagkatapos ng pagsuwayin ay:

(1.0 - 1.61) / 0.38 = -1.59

Ngayon, maaari mo ng maghahalintulad ng -2.1 at -1.59, sa halip na maghahalintulad ng 790 at 1.0.

Hindi kailangan mong gumawa ng pagkilos na ito, ang Python sklearn module ay may isang pangalan na StandardScaler() ang paraan, na ibibigay ng Scaler object na may paraan na pagbabago ng dataset.

Halimbawa

Tiyakang suwayin ang lahat ng halaga sa column ng Weight at Volume:

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
scaledX = scale.fit_transform(X)
print(scaledX)

Mga Resulta:

P请注意，前两个值是 -2.1 和 -1.59，与我们的计算相对应：

[[-2.10389253 -1.59336644]]
 [-0.55407235 -1.07190106]
 [-1.52166278 -1.59336644]
 [-1.78973979 -1.85409913]
 [-0.63784641 -0.28970299]
 [-1.52166278 -1.59336644]
 [-0.76769621 -0.55043568]
 [ 0.3046118  -0.28970299]
 [-0.7551301  -0.28970299]
 [-0.59595938 -0.0289703 ]
 [-1.30803892 -1.33263375]
 [-1.26615189 -0.81116837]
 [-0.7551301  -1.59336644]
 [-0.16871166 -0.0289703 ]
 [ 0.14125238 -0.0289703 ]
 [ 0.15800719 -0.0289703 ]
 [ 0.3046118  -0.0289703 ]
 [-0.05142797  1.53542584]
 [-0.72580918 -0.0289703 ]
 [ 0.14962979  1.01396046]
 [ 1.2219378  -0.0289703 ]
 [ 0.5685001   1.01396046]
 [ 0.3046118   1.27469315]
 [ 0.51404696 -0.0289703 ]
 [ 0.51404696  1.01396046]
 [ 0.72348212 -0.28970299]
 [ 0.8281997   1.01396046]
 [ 1.81254495  1.01396046]
 [ 0.96642691 -0.0289703 ]
 [ 1.72877089  1.01396046]
 [ 1.30990057  1.27469315]
 [ 1.90050772  1.01396046]
 [-0.23991961 -0.0289703 ]
 [ 0.40932938 -0.0289703 ]
 [ 0.47215993 -0.0289703 ]
 [ 0.4302729   2.31762392]

Pagsasaklaw ng Halimbawa

Hulaan ang halaga ng CO2

Maramihang PagbabalikAng tungkulin ng isang kabanata ay hulaan ang pagbubuntis ng carbon dioxide ng isang sasakyan habang alam lamang ang bigat at pagbubuntis ng sasakyan.

Kailangan gamitin ang proporsyon ng pag-scale kapag hinuhula ang halaga sa nakascale na dataset:

Halimbawa

Hulaan ang halaga ng pagbubuntis ng carbon dioxide ng isang 1.3 litrong sasakyan na may bigat na 2300 kilo:

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
scaledX = scale.fit_transform(X)
regr = linear_model.LinearRegression()
regr.fit(scaledX, y)
scaled = scale.transform([[2300, 1.3]])
predictedCO2 = regr.predict([scaled[0]])
print(predictedCO2)

Mga Resulta:

[107.2087328]

Pagsasaklaw ng Halimbawa