box-cox变换中变换参数取值,box-cox变换和johnson变换区别

　　概念

　　1、Box-Cox变换是统计建模中常用的建模方法，主要用于连续响应变量不满足正态分布。

　　可采用博克斯-考克斯变换。

　　2、使线性回归模型在满足线性、正态性、独立性和方差的同时不丢失信息。

　　在博克斯-考克斯转换之前，有必要将数据归一化。

　　实例

　　#我们这里是对训练集和测试集一起归一化，也可以分开进行归一化，(分开)这种方式需要建立训练数据和测试数据分布一直的情况下，建议在数据量大的情况下使用。

　　#绘图显示博克斯-考克斯变换对数据分布影响

　　cols _ numeric _ left=cols _ numeric[0:13]

　　cols _ numeric _ right=cols _ numeric[13:]#这里是将特征分为两部分，前13个为第一部分

　　# # CheckeffectofBox-coxstranformsondistributionsofcontinuovables

　　列车数据流程=PD。concat([训练数据过程，训练数据[目标]]，轴=1)

　　fcols=6

　　frows=len(列_数字_左)

　　plt.figure(figsize=(4*fcols，4*frows))

　　i=0

　　forvarincols_numeric_left:

　　dat=train_data_process[[var， target]].德罗普纳()

　　i=1

　　plt.subplot(frows，fcols，I)

　　sns.distplot(dat[var]，fit=stats。norm)；

　　plt.title(var Original )

　　plt.xlabel( )

　　i=1

　　plt.subplot(frows，fcols，I)

　　_=统计数据。proplot(dat[var]，plot=plt)

　　plt.title(skew= {:4f}).格式(统计。skew(dat[var])) #计算数据集的偏度

　　plt.xlabel( )

　　plt.ylabel( )

　　i=1

　　plt.subplot(frows，fcols，I)

　　plt.plot(dat[var]，dat[target]，.=0.5)

　　plt.title(corr= {:2f}).格式(np.corrcoef(dat[var]，dat[target])[0][1])

　　i=1

　　plt.subplot(frows，fcols，I)

　　trans_var，lambda _ var=stats。box Cox(dat[var].dropna() 1)

　　trans_var=scale_data(trans_var)

　　sns.distplot(trans_var，fit=stats。norm)；

　　plt.title(var Tramsformed )

　　plt.xlabel( )

　　i=1

　　plt.subplot(frows，fcols，I)

　　_=统计数据。proplot(trans _ var，plot=plt)

　　plt.title(skew= {:4f}).格式(统计。skew(trans _ var)))#归一化后，偏度明显变小，相关性变化不大

　　plt.xlabel( )

　　plt.ylabel( )

　　i=1

　　plt.subplot(frows，fcols，I)

　　plt.plot(trans_var，dat[target]，.=0.5)

　　plt.title(corr= {:2f}).格式(np.corrcoef(trans_var，dat[target])[0][1])以上就是大蟒中博克斯-考克斯变换的介绍，希望对大家有所帮助。更多计算机编程语言学习指路：python基础教程

　　本文教程操作环境：windows7系统、Python 3.9.1、戴尔自交第三代电脑。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。