欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  移动技术

sklearn数据特征预处理:归一化和标准化

程序员文章站 2022-04-19 14:02:41
归一化处理特点:通过对原始数据进行变换把数据映射到(默认为[0,1])之间from sklearn.preprocessing import MinMaxScalerdef mm(): """ 归一化处理 :return: NOne """ mm = MinMaxScaler(feature_range=(2,3)) data = mm.fit_transform([[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 1...

归一化处理

特点:通过对原始数据进行变换把数据映射到(默认为[0,1])之间
sklearn数据特征预处理:归一化和标准化

from sklearn.preprocessing import MinMaxScaler
def mm():
    """
    归一化处理
    :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()

运行结果:

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

归一化目的:使得一个特征对结果不会造成更大的影响。
归一化缺点:注意在特定场景下最大最小值是变化的,最大最小值容易受异常点影响,鲁棒性差,只适合传统精确小数据场景。

标准化

1、特点:通过对原始数据进行变换把数据变换到均值为0,方差为1范围内
sklearn数据特征预处理:归一化和标准化

对于归一化来说:如果出现异常点,影响了最大值和最小值,那么结果显然
会发生改变

对于标准化来说:如果出现异常点,由于具有一定数据量,少量的异常点对
于平均值的影响并不大,从而方差改变较小。

from sklearn.preprocessing import StandardScaler
def stand():
    """
    标准化缩放
    :return:
    """
    std = StandardScaler()

    data = std.fit_transform([[ 1., -1., 3.],[ 2., 4., 2.],[ 4., 6., -1.]])

    print(data)

    return None
if __name__ == "__main__":
    stand()

运行结果

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

本文地址:https://blog.csdn.net/weixin_45334823/article/details/107182919