Предварительная обработка данных

Процесс подготовки данных для дальнейшего анализа называется предобработка

Нормализация

Набор данных на самом деле содержит в себе единицы измерения, которые возможно будут указаны в формальном описании. Эти единицы измерения отбрасываются, чтобы набор данных имел только число. Чтобы это сделать необходимо, чтобы все объекты были приведены к единому формату (всё в килограммах или всё в метрах)

//Пример про разницу машин

Базовые методы нормализации данных

Применяются независимо к столбцу X

Важно в sklearn.preprocessing есть метод normalize, но это не то, что нам нужно, он рассматривает нормализацию с геометрической точки зрения (представляет объект в виде вектора), а не по столбцам

Минмакс, [0;1] масштабирование [math] x_{new} = \dfrac{x_{old} - min[X]}{max[X] - min[X]}[/math]

После нормализации: [math]min[X_{new}] = 0[/math] и [math]max[X_{new}] = 1[/math]

Стандартизация, Z-масштабирование [math] x_{new} = \dfrac{x_{old} - E[X]}{D[X]}[/math]

После нормализации: [math]E[X_{new}] = 0[/math] и [math]D[X_{new}] = 1[/math]

// == декорреляция == пока не нашёл

Задача заполнения пропусков.

Откуда берутся пропуски?

• Решаем задачу поиска аномалий для столбцов. Когда находим аномальное значение в столбце. Можно сказать, что это не аномалия, а ошибка и его можно пометить как пропуск
• 2 набора данных объединяем(рис1(1 лекция, стр60)). Из-за того, что эти наборы данных немного разные(в разных наборах данных были разные признаки) и после объединения получатся пропуски.

// про разные скорости

• Конвертировать разреженный набор данных в обычный. Недостающие значения сконцентрируются(3:45:26) в пропуски.//(Вы будете делать таблицу)

Как кодируются пропуски?

• В CSV не стандартизировано, могут быть: “?”, “ “(пробел), “_”, любой другой символ или например две запятых подряд или пустая строка
• В ARFF файле: “?”
• В программе(Строка / объект): Null, None, пустая строка
• В категории(кодирующейся от 0 до k-1): -1 или k
• Число: NaN

Базовые решения:

• Удалить
• Заменить
• Добавить

Если алгоритм делает что-то быстрее или умнее чем базовое решение, то утверждается, что алгоритм умеет работать с пропусками

Удаление

Если в столбце есть пропуск - берём и удаляем его из рассмотрения.

Можно удалять строки(объекты), НО могут возникнуть проблемы: если в столбце были пропуски в тренировочном наборе данных, то скорее всего в этом столбце они будут и в тестовом наборе.

Замена

Выделяют 2 подхода:

Общий подход:

Обучить модель, которая умеет учитывать пропуски, предсказывать значения текущего столбца. рис2(1 лекция, стр61, левый) Предполагаем, что второй объект ближе всего к четвёртому, поэтому скорость заполняем 160, а первый ближе к пятому, поэтому цвет заполняем красный

Частный случай:

заполнение средним арифметическим / модой рис2(1 лекция, стр61, правый)

//про zero-rule classification

Среднее арифметическое(230, 160, 80, 250) = 180

Мода(красный, синий, зелёный, синий) = синий

Константная замена

Применяется в случае, когда мы знаем, что кодирует пропуск

(например) разреженная таблица состоит из слов и количества вхождений этого слова в текст, если слово в тексте не встречалось, то на месте количества может стоять пропуск, что эквивалентно 0, если же храним встречалось или нет, то на месте пропуска может быть false

Добавление

• Если признак категориальный - добавляем к нему новое значение "пропуск"(увеличиваем количество категорий на 1)
• Если признак числовой - добавляем новый бинарный признак, было ли данное значение пропущено, а само значение заменять методами описанными выше

рис3(1 лекция, страница 62)

Отказ алгоритмов

(3:52:00) возвращение дата-сетов с пропусками

Задача предсказания и заполнения пропусков

Задачу заполнения пропусков можно свести к задаче предсказания рис4(1 лекция, страница 64 верхняя часть)

Есть набор данных, который условно разбит на train и test. Можно сказать, что значения test в столбце Y пропущены и вместо задачи обучения с учителем решать задачу заполнения пропусков.

В случае задачи обучения без учителя можно сказать, что все значения в столбце пропущены рис5(1 лекция, страница 64 справа снизу)

Рекомендательные системы

Коллаборативная(совместная) фильтрация

Есть множество пользователей и множество предметов, которые эти пользователи оценят. Нужно понять, как определённый пользователь оценит предмет, который до этого не оценивал. рис6(1 лекция, страница 65)

Эта задача не решается методами заполнения пропуска. Но методами рекомендательной систем можно решить задачу заполнения пропусков.

Обучение на привилегированных данных

Задача обучения с учителе, но к X даётся некоторый X', про который известно, что в тестовом множестве X' будет пропущен рис7(1 лекция, страница 66)

Базовые решения:

• Не использовать X'
• Обучить модель [math]a_1[/math] предсказывать X' по X. Затем обучить модель [math]a_2[/math] предсказывать Y по X и [math] a_1[/math](X)
• Обучать предсказывать X' и Y.

(Пример) Предсказать результат футбольного матча(победа/поражение) Привелигированные данные: число голов, число красных/ жёлтых карточек

Обучение на частично размеченных данных

В тренировачном множестве только часть объектов имеют значение целевой переменной Y, у остальных объектов тренировочного и тестового множества значение Y пропущено. рис8(1 лекция, страница 67)

Базовое решение:

• Не использовать объекты у которых пропущен целевой признак
• Не использовать целевой признак для обучения. Размеченные объекты(с заданным Y) можно использовать для тестирования(как внешнюю меру)

//Активное обучение //Обучение с подкреплением