歸一化處理

特點：通過對原始數據進行變換把數據映射到(默認為[0,1])之間

from sklearn.preprocessing import MinMaxScaler def mm():"""歸一化處理:return: NOne"""mm = MinMaxScaler(feature_range=(2,3))data = mm.fit_transform([[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 13, 46]])print(data)return None if __name__ == "__main__":mm()

運行結果：

D:\softwares\anaconda3\python.exe D:/PycharmProjects/MyTest/Day_0707/__init__.py [[3. 2. 2. 2. ][2. 3. 3. 2.83333333][2.5 2.5 2.6 3. ]]Process finished with exit code 0

歸一化目的：使得一個特征對結果不會造成更大的影響。
歸一化缺點：注意在特定場景下最大最小值是變化的，最大最小值容易受異常點影響，魯棒性差，只適合傳統精確小數據場景。

標準化

1、特點：通過對原始數據進行變換把數據變換到均值為0,方差為1范圍內

對于歸一化來說：如果出現異常點，影響了最大值和最小值，那么結果顯然
會發生改變

對于標準化來說：如果出現異常點，由于具有一定數據量，少量的異常點對
于平均值的影響并不大，從而方差改變較小。

from sklearn.preprocessing import StandardScaler def stand():"""標準化縮放:return:"""std = StandardScaler()data = std.fit_transform([[ 1., -1., 3.],[ 2., 4., 2.],[ 4., 6., -1.]])print(data)return None if __name__ == "__main__":stand()

運行結果

D:\softwares\anaconda3\python.exe D:/PycharmProjects/MyTest/Day_0707/__init__.py [[-1.06904497 -1.35873244 0.98058068][-0.26726124 0.33968311 0.39223227][ 1.33630621 1.01904933 -1.37281295]]Process finished with exit code 0

總結

以上是生活随笔為你收集整理的【机器学习】sklearn数据特征预处理：归一化和标准化的全部內容，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。