Scikit-Learn教程:特征提取技术详解
2025-06-07 17:10:43作者:平淮齐Percy
特征提取的重要性
在机器学习项目中,原始数据往往不是算法可以直接处理的理想格式。特征提取是将原始数据转换为机器学习算法能够理解的数值特征的过程,这是数据预处理中至关重要的环节。
特征提取的主要作用包括:
- 将非数值数据转换为数值表示
- 降低数据维度,提高计算效率
- 提取更有意义的特征表示
- 改善模型的性能表现
Scikit-Learn中的特征提取工具
Scikit-Learn提供了sklearn.feature_extraction
模块,包含多种特征提取方法,适用于文本、图像等不同类型的数据。
字典数据向量化(DictVectorizer)
当数据以Python字典形式存储时,DictVectorizer
可以将其转换为适合机器学习的NumPy数组格式。它还能自动处理分类变量,将其转换为one-hot编码。
from sklearn.feature_extraction import DictVectorizer
# 创建字典数组
measurements = [
{'city': 'Dubai', 'temperature': 33.},
{'city': 'London', 'temperature': 12.},
{'city': 'San Francisco', 'temperature': 18.},
]
vec = DictVectorizer()
vec.fit_transform(measurements).toarray()
输出结果:
array([[ 1., 0., 0., 33.],
[ 0., 1., 0., 12.],
[ 0., 0., 1., 18.]])
可以看到,城市名称被自动转换为one-hot编码,而温度值保持不变。
特征哈希(FeatureHasher)
特征哈希是一种高效的特征提取技术,特别适合处理高维稀疏数据。它通过哈希函数将特征映射到固定维度的向量空间。
from sklearn.feature_extraction import FeatureHasher
data = [
{'dog': -1, 'cat': 2, 'elephant': 4},
{'dog': 2, 'run': 5, 'cat':-7}
]
h = FeatureHasher(n_features=4)
h.transform(data).toarray()
输出示例:
array([[ 0., 1., -4., 2.],
[-5., -2., 0., -7.]])
特征哈希的优点包括:
- 内存效率高
- 处理速度快
- 适合在线学习场景
- 可以处理未见过的特征
文本特征提取
文本数据需要特殊处理才能用于机器学习算法。Scikit-Learn提供了多种文本特征提取方法:
- 词袋模型(CountVectorizer):统计每个词在文档中出现的次数
- TF-IDF转换(TfidfTransformer/TfidfVectorizer):考虑词频和逆文档频率
- 哈希向量化(HashingVectorizer):类似特征哈希,适用于文本
基本词频统计
from sklearn.feature_extraction.text import CountVectorizer
data = [
'Test sentence one of three.',
'Second test sentence of three.',
'Last sentence of three.'
]
vec = CountVectorizer()
vec.fit_transform(data).toarray()
输出结果:
array([[0, 1, 1, 0, 1, 1, 1],
[0, 1, 0, 1, 1, 1, 1],
[1, 1, 0, 0, 1, 0, 1]], dtype=int64)
TF-IDF加权
TF-IDF(词频-逆文档频率)是一种常用的文本特征加权方法,它降低常见词的权重,提高有区分度词的权重。
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_vec = TfidfVectorizer()
tfidf_vec.fit_transform(data).toarray()
输出示例:
array([[0. , 0.3645444 , 0.61722732, 0. , 0.3645444 ,
0.46941728, 0.3645444 ],
[0. , 0.3645444 , 0. , 0.61722732, 0.3645444 ,
0.46941728, 0.3645444 ],
[0.69903033, 0.41285857, 0. , 0. , 0.41285857,
0. , 0.41285857]])
特征提取的最佳实践
- 理解数据特性:根据数据类型(文本、分类、数值)选择合适的特征提取方法
- 处理缺失值:在特征提取前处理好缺失数据
- 特征缩放:对数值特征进行标准化或归一化
- 维度控制:使用特征选择或降维技术处理高维数据
- 管道化处理:使用Scikit-Learn的Pipeline整合特征提取和模型训练
总结
特征提取是机器学习流程中的关键步骤,Scikit-Learn提供了丰富而强大的工具来简化这一过程。通过本教程,我们学习了如何处理字典数据、实现特征哈希以及提取文本特征。掌握这些技术将帮助你更好地准备数据,构建更高效的机器学习模型。
记住,没有放之四海而皆准的特征提取方法,最佳方法取决于你的具体数据和问题场景。实践和实验是找到最优解决方案的关键。
登录后查看全文
热门项目推荐
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0269get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java00AudioFly
AudioFly是一款基于LDM架构的文本转音频生成模型。它能生成采样率为44.1 kHz的高保真音频,且与文本提示高度一致,适用于音效、音乐及多事件音频合成等任务。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile08
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
148
1.95 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
931
555

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
980
395

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
515