此页面由 Cloud Translation API 翻译。

数据准备

本部分介绍与聚类最相关的数据准备步骤从处理数值数据 “机器学习速成课程”单元

在聚类中，您可以通过组合多个样本来计算将这些样本的所有特征数据转换为数值。这需要使用让特征具有相同的规模，这可以通过归一化、转换或创建分位数。如果您想将而不检查其分布，可以默认为分位数。

对数据进行归一化

您可以通过标准化，将多个特征的数据转换为相同比例数据。

每当您看到大致形状为 高斯分布，您应计算 z-scores 数据。Z 分数是某个值与平均值。如果数据集不够大，您也可以使用 Z-score 分位数。

请参阅 Z 得分缩放以查看相关步骤。

下图直观呈现了数据集前后两个特征 z-score 缩放：

在左侧的非规范化数据集中，特征 1 和特征 2 为：它们在 x 轴和 y 轴上分别绘制的比例不同。在红色样本表示颜色比蓝色更接近或更接近于黄色。在右侧，在 z-score 缩放，特征 1 和特征 2 具有相同的比例，并且红色的与黄色示例更接近，标准化数据集提供了一个可以更准确地衡量点之间的相似性。

当数据集完全符合幂律分布，其中数据大量聚集在最小值时，请使用对数转换。请参阅日志扩缩以查看相关步骤。

下图所示为对数转换前后的幂律数据集：

在对数缩放（图 2）之前，红色示例看起来更接近于黄色。对数缩放（图 3）后，红色看起来更接近蓝色。

如果数据集不符合已知分布。以下面的数据集为例：

直观地说，如果两个样本之间只有几个样本比较相似无论其值如何，如果有多个样本，。上面的图表难以了解介于红色和黄色之间或红色和蓝色之间的样本数量。

这种对相似性的理解可以通过将数据集划分为 分位数，即包含相等数量样本的区间；以及为每个样本分配分位数索引。请参阅分桶以查看相关步骤。

这里是上一个划分为分位数的分布图，其中红色表示一个分位数距离黄色，三个分位数距离蓝色：

您可以选择任意数量的 \(n\) 分位数。不过，对于有意义地表示底层数据，则您的数据集应至少具有 \(10n\) 示例。如果没有足够的数据，请改为标准化。

对于以下问题，请假设您有足够的数据来创建分位数。

您应该如何处理上文中显示的数据分布图表？

创建分位数。

正确。由于分布情况与标准数据分布，您应该默认为创建分位数。

标准化。

在以下情况下，您通常需要对数据进行标准化：

。这两种情况在这里均不适用。数据分布不是高斯分布，不对称您并不知道这些值它们在现实世界中的代表性。

对数转换。

这并非完美的幂律分布，因此请勿使用对数转换。

您会如何处理这些数据分布？

标准化。

正确。这是高斯分布。

创建分位数。

错误。由于这是高斯分布，也就是归一化。

对数转换。

错误。仅对幂律分布应用对数转换。

如果数据集中的样本的某个特定特征缺少值，这些示例很少出现，您可以将其移除。如果这些示例则可以完全移除该功能或者，你可以使用机器机器学习模型。例如，您可以估计缺失的数值数据使用使用现有特征数据训练的回归模型。