机器学习实战-数据探索

机器学习更多内容可以关注github项目：machine learning

数据的输入质量决定了输出的最后结果，数据的探索、预处理、特征选择、降维等特征工程占了项目的70%的时间。那么如果我们确定了商业目的，该如何一步一步渐进式进行特征工程呢？各位看官不急，请小的慢慢给你道来。

我前面有几遍文章也是介绍特征工程，但大致介绍特征工程包含哪些内容，知识比较离散化，如果在一个实际项目中，什么时候使用什么方法，没有贯穿起来。在看此篇文章时，大家可以对照看。

• 机器学习之特征工程-数据预处理
• 机器学习之特征工程-数据预处理2
• 机器学习之特征工程-特征选择
• 机器学习之特征工程-降维

在建立模型前，我们大致需要顺序经过以下几步：

1、变量识别
2、单变量分析
3、双变量分析
4、缺失值处理
5、异常值处理
6、变量变化
7、变量创建

4-7在模型优化中会重复进行。

变量识别

首先，识别Predictor（即feature、输入）和Target（输出）变量。 接下来，确定变量的数据类型和类别。

举一个例子，让我们更清楚地了解这一步。 假设我们想预测学生是否会玩板球（参考下面的数据集），需要识别预测变量、目标变量，变量的数据类型和变量类别。

Data_exploration_2.png

单变量分析（Univariate Analysis）

在这个阶段，我们逐个探索变量。 执行单变量分析的方法取决于变量类型是分类类型还是连续类型。

连续变量（Continuous Variables）

在连续变量的情况下，我们需要了解变量的中心趋势和分散，使用各种统计度量可视化方法进行测量，如下所示

Data_exploration_31.png

分类变量（Categorical Variables）

对于分类变量，我们可使用频率表来了解每个类别的分布，也可以读取每个类别下的值的百分比，也可以使用每个类别的Count和Count％来衡量。Bar chart可以用作可视化。

双变量分析

双变量分析的主要目的是发现两个变量之间的关系。可以对分类和连续变量的任何组合执行双变量分析。如：Continuous & Continuous，Categorical & Categorical，Categorical & Continuous and Continuous & Continuous。

Continuous & Continuous

在两个连续变量之间进行双变量分析时，散点图（ scatter plot）是找出两个变量之间的关系的一个很好的方式。 散点图表示变量之间的关系可以是线性或非线性。

correlation-examples

• -1: perfect negative linear correlation
• +1:perfect positive linear correlation and
• 0: No correlation

scatter plot只是直观来看，但是相关性如何计算呢？一般通过Pearson Correlation 来计算，缺点是：只可以确定线性相关性。非线性关系，可以采用互信息法，互信息系数能够很好地度量各种相关性，但是计算相对复杂一些。Pearson Correlation 计算方法如下：

correlation-calc1

Step 1: 计算x、y的均值
Step 2: x的每个值减去x的均值得到a, y值做类似操作得到b
Step 3: 计算: a × b, a的平方和b的平方
Step 4: 求a × b, a平方和b平方的和
Step 5: 如5的公式

Categorical & Categorical

双向表：我们可以通过创建一个计数和计数％的双向表来开始分析关系，行表示一个变量的类别，列表示另一个变量的类别，如图。

Data_exploration
Stacked Column Chart:更直观，如上图。
卡方检验：计算方法可以参考前面文章
确定自变量和因变量的相关性

p值为0：表示两个变量是相关的
p值为1：表示两个变量是独立的

Categorical & Continuous

在探索分类和连续变量之间的关系时，我们可以为每个级别的分类变量绘制box plot，但不显示统计学意义。 为了看统计学意义，我们可以进行Z检验，T检验或方差分析。
T检验与Z检验非常相似，但用于当两个类别的观察次数小于30时，方差分析用于评估两个以上组的平均值是否在统计学上不同。

下篇再接着介绍。

参考

central measures
range
https://www.analyticsvidhya.com/blog/2016/01/guide-data-exploration/