机器学习笔记7-监督学习

规一化数字特征

除了对于高度倾斜的特征施加转换，对数值特征施加一些形式的缩放一般会是一个好的习惯。在数据上面施加一个缩放并不会改变数据分布的形式（好比上面说的'capital-gain' or 'capital-loss'）；可是，规一化保证了每个特征在使用监督学习器的时候可以被平等的对待。注意一旦使用了缩放，观察数据的原始形式再也不具备它原本的意义了，就像下面的例子展现的。

运行下面的代码单元来规一化每个数字特征。咱们将使用sklearn.preprocessing.MinMaxScaler来完成这个任务。

from sklearn.preprocessing import MinMaxScaler

# 初始化一个 scaler，并将它施加到特征上
scaler = MinMaxScaler()
numerical = ['age', 'education-num', 'capital-gain', 'capital-loss', 'hours-per-week']
features_raw[numerical] = scaler.fit_transform(data[numerical])

# 显示一个通过缩放的样例记录
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

练习：数据预处理

从上面的数据探索中的表中，咱们能够看到有几个属性的每一条记录都是非数字的。一般状况下，学习算法指望输入是数字的，这要求非数字的特征（称为类别变量）被转换。转换类别变量的一种流行的方法是使用独热编码方案。独热编码为每个非数字特征的每个可能的类别建立一个“虚拟”变量。例如，假设someFeature有三个可能的取值A，B或者C，。咱们将把这个特征编码成someFeature_A, someFeature_B和someFeature_C.

特征X		特征X_A	特征X_B	特征X_C
B		0	1	0
C	----> 独热编码 ---->	0	0	1
A		1	0	0

此外，对于非数字的特征，咱们须要将非数字的标签'income'转换成数值以保证学习算法可以正常工做。由于这个标签只有两种可能的类别（"<=50K"和">50K"），咱们没必要要使用独热编码，能够直接将他们编码分别成两个类0和1，在下面的代码单元中你将实现如下功能：

• 使用pandas.get_dummies()对'features_raw'数据来施加一个独热编码。
• 将目标标签'income_raw'转换成数字项。
  • 将"<=50K"转换成0；将">50K"转换成1。