特征處理方法總覽：

標準化和歸一化介紹：

（1）標準化
　　標準化需要計算特征的均值和標準差，公式表達為：

　　使用preproccessing庫的StandardScaler類對數據進行標準化的代碼如下

from sklearn.preprocessing import StandardScaler from sklearn.datasets import load_iris iris=load_iris() #標準化，返回值為標準化后的數據 StandardScaler().fit_transform(iris.data)

(2)歸一化

使用preproccessing庫的Normalizer類對數據進行歸一化的代碼如下：

from sklearn.preprocessing import Normalizer #歸一化，返回值為歸一化后的數據 Normalizer().fit_transform(iris.data)

區間縮放法其實是歸一化的一種：
區間縮放法的思路有多種，常見的一種為利用兩個最值進行縮放，公式表達為：

使用preproccessing庫的MinMaxScaler類對數據進行區間縮放的代碼如下：

from sklearn.preprocessing import MinMaxScaler #區間縮放，返回值為縮放到[0, 1]區間的數據 MinMaxScaler().fit_transform(iris.data)

標準化和歸一化適用范圍

幾條說明：

（1）如果對輸出結果范圍有要求，用歸一化。
（2）如果數據較為穩定，不存在極端的最大最小值，用歸一化。
（3）如果數據存在異常值和較多噪音，用標準化，可以間接通過中心化避免異常值和極端值的影響。
（4）SVM、KNN（K近鄰）、神經網絡、PCA等模型必須先標準化、歸一化
??優先使用標準化。對于輸出有要求時再嘗試別的方法，如歸一化或者更加復雜的方法。很多方法都可以將輸出范圍調整到[0, 1]，如果我們對于數據的分布有假設的話，更加有效的方法是使用相對應的概率密度函數來轉換。

舉個例子：

在大論文的計算中，我需要不斷增加預測集的數量，但相對于訓練集增加的個數相當少，此時只能用標準化。如果采用區間縮放法（歸一化），則Max,Min值可能會變化，進而改變縮放的空間，但標準化是均值和標準差所以幾乎不變。

歸一化作用

詳見鏈接
歸一化的作用.

總結

以上是生活随笔為你收集整理的标准化、归一化等的适用范围的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。