一、基础理论

1、特征工程

2、过程

3、API

二、特征提取转化为二维矩阵

0、获取数据集

1、实例化转换器类

2、提取特征值

3、显示

三、特征值转化为稀疏矩阵

0、获取数据集

1、实例化转换器类

2、提取特征值

3、显示

总代码

一、基础理论

1、特征工程

特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。

文本类型 转化为数值

类型转化为数值

2、过程

1、获取数据集

2、实例化转换器类

3、提取特征值

3、API

fit_transform()

先拟合数据(fit)，再将其转换成标准形式（transform）。

# 特征提取
sklearn.feature_extraction.DictVectorizer

二、特征提取转化为二维矩阵

转化的特征值若为汉字或字符，存在则为1，不存在则为0。

0、获取数据集

# 数据集
data = [{'name':'小明', 'score':80}, {'name':'小红', 'score':100}, {'name':'张三', 'score':60}]

1、实例化转换器类

# 1、实例化转换器类transfer = DictVectorizer(sparse=False)

2、提取特征值

# 2、提取特征值feature_data = transfer.fit_transform(data)

3、显示

print('稀疏矩阵特征值：\n', feature_data)
print('特征名字：', transfer.get_feature_names())

前3列表示的都是name，分别是小明、小红、张三；

最后一列表示的是score。

全为字符的情况：

（汉字及字符有则为1，没有则为0）

三、特征值转化为稀疏矩阵

0、获取数据集

# 数据集
data = [{'name':'小明', 'score':80}, {'name':'小红', 'score':100}, {'name':'张三', 'score':60}]

1、实例化转换器类

# 1、实例化转换器类transfer = DictVectorizer(sparse=False)

2、提取特征值

# 2、提取特征值feature_data = transfer.fit_transform(data)

3、显示

print('稀疏矩阵特征值\n', feature_data)
print('特征名字：', transfer.get_feature_names())

前两列是坐标，表示该关键字在二维数组中对应的位置。

全为字符的情况：

总代码

# 字典特征提取
from sklearn.feature_extraction import DictVectorizer# 数据集
data = [{'name':'小明', 'score':80}, {'name':'小红', 'score':100}, {'name':'张三', 'score':60}]# 提取特征值，转化为稀疏矩阵
def Count_Sparse():# 1、实例化转换器类transfer = DictVectorizer(sparse=True)# 2、提取特征值feature_data = transfer.fit_transform(data)print('稀疏矩阵特征值\n', feature_data)print('特征名字：', transfer.get_feature_names())# 提取特征值，转化为二维矩阵
def Count_Matrix():# 1、实例化转换器类transfer = DictVectorizer(sparse=False)# 2、提取特征值feature_data = transfer.fit_transform(data)print('二维矩阵特征值：\n', feature_data)print('特征名字：', transfer.get_feature_names())if __name__ == '__main__':Count_Sparse()        #稀疏矩阵（特征值）Count_Matrix()        #二维矩阵（特征值）

机器学习（2）特征提取1 -- 字典特征提取相关推荐

字典特征提取，文本特征提取。
文章目录 1 定义 2. 字典特征提取API 3. 字典特征提取案例: 1.实现效果: 2.实现代码 4. 文本特征提取 1. 方法 2. 英文案例 1. 实现效果 2.流程 3. 中文案例使用到的 ...
机器学习笔记05——特征工程之特征处理:字典特征提取、文本特征提取
目录 1.类别型特征的处理-特征编码 1.1 处理少量特征 1.2 处理大量的类别特征 1.3 字典特征提取(特征离散化) ⭐ 1.4 文本特征提取(英文+中文)⭐ 1.4.1 英文数据演示 1. ...
字典特征提取DictVectorizer（特征工程之特征提取）
文章目录什么是特征工程一.什么是特征提取? 二.字典特征抽取举例 1.DictVectorizer()使用默认参数会返回一个稀疏矩阵 2.DictVectorizer(sparse=False)会 ...
字典特征提取和文本特征抽取
什么叫字典特征提取? 字典内容转化成计算机可以处理的数值比如现在有个字典: data = [{"city":"北京", "tempeture&quo ...
机器学习——英文特征提取，中文特征提取
环境:ubuntu20.10,python3.8 代码如下: #coding:utf-8 from sklearn.feature_extraction import DictVectorizer, ...
sklearn字典特征提取
作用:对字典数据进行特征值化 sklearn.feature_extraction.DictVectorizer(sparse=True,-) DictVectorizer.fit_transform ...
python音频特征提取_音频特征提取——librosa工具包使用
作者:桂. 时间:2017-05-06 11:20:47 前言本文主要记录librosa工具包的使用,librosa在音频.乐音信号的分析中经常用到,是python的一个工具包,这里主要记录它的相 ...
python编程与特征提取_Python进行特征提取的示例代码
#过滤式特征选择 #根据方差进行选择,方差越小,代表该属性识别能力很差,可以剔除 from sklearn.feature_selection import VarianceThreshold x=[ ...
matlab颜色直方图特征提取,灰度直方图特征提取的Matlab实现
Computer Knowledge and Technology 电脑知识与技术第5卷第32期(2009年11月)本栏目责任编辑:唐一东人工智能及识别技术灰度直方图特征提取的Matlab 实现刘 ...

机器学习（2）特征提取1 -- 字典特征提取

一、基础理论

1、特征工程

2、过程

3、API

二、特征提取转化为二维矩阵

0、获取数据集

1、实例化转换器类

2、提取特征值

3、显示

三、特征值转化为稀疏矩阵

0、获取数据集

1、实例化转换器类

2、提取特征值

3、显示

总代码

机器学习（2）特征提取1 -- 字典特征提取相关推荐

最新文章

热门文章