標準化

去均值，方差規模化

數據分析的過程中，比如線性規劃這一類的分析，如果有些特征的數值遠遠高于或低于其他數值，通常稱之為獨立點、異常值或噪點，那么對于受噪點影響較大的模型就無法正確地去學習其他特征。

Standardization標準化：將特征數據的分布調整成標準正太分布，也叫高斯分布，過程為兩步：去均值的中心化（均值變為0）；方差的規模化（方差變為1）。
在sklearn.preprocessing中有一個scale方法，可以實現數據標準化，該方法默認按照列進行標準化。

from sklearn import preprocessing import numpy as npx = np.array([[1., -1., 2., 3.],[2., 0., 0., -2],[0., 1., -1., 0],[1., 2., -3., 1]])print("標準化之前的方差：", x.mean(axis=0)) print("標準化之前的標準差：", x.std(axis=0))#標準化 x_scale = preprocessing.scale(x) print("\n------------------\n標準化結果：\n", x_scale) print("\n標準化之后的方差：", x_scale.mean(axis=0)) print("標準化之后的標準差：", x_scale.std(axis=0))

運行結果：

標準化之前的方差： [ 1. 0.5 -0.5 0.5]
標準化之前的標準差： [0.70710678 1.11803399 1.80277564 1.80277564]

標準化結果：
[[ 0. -1.34164079 1.38675049 1.38675049]
[ 1.41421356 -0.4472136 0.2773501 -1.38675049]
[-1.41421356 0.4472136 -0.2773501 -0.2773501 ]
[ 0. 1.34164079 -1.38675049 0.2773501 ]]

標準化之后的方差： [0. 0. 0. 0.]
標準化之后的標準差： [1. 1. 1. 1.]

數據歸一化 MinMaxScaler()/MaxAbsScaler() 文章鏈接

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的数据标准化 - scale() - Python代码的全部內容，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。