个人网站首页布局图,在线观看网站深夜免费,网站建设毕业设计提问,手机泉州网文章目录 一、公式二、代码三、区别四、结论 一、公式 归一化 X ′ x − m i n m a x − m i n X { x-min \above{1pt} max-min} X′max−minx−min X ′ ′ X ′ ∗ ( m a − m i ) m i X X * (ma-mi) mi X′′X′∗(ma−mi)mi 标准化 X ′ x − m e a n s t d X… 文章目录 一、公式二、代码三、区别四、结论 一、公式 归一化 X ′ x − m i n m a x − m i n X { x-min \above{1pt} max-min} X′max−minx−min X ′ ′ X ′ ∗ ( m a − m i ) m i X X * (ma-mi) mi X′′X′∗(ma−mi)mi 标准化 X ′ x − m e a n s t d X { x-mean \above{1pt} std} X′stdx−mean
ps
max特征最大值min特征最小值ma特征归一化后的最大值mi特征归一化后的最小值mean特征均值std特征标准差 二、代码
归一化
from sklearn.preprocessing import MinMaxScaler
import pandas as pdif __name__ __main__:# 初始化数据columns [点赞, 投币, 收藏]data [[1, 5, 12],[13, 2, 5],[9, 9, 6],[2, 5, 0]]data pd.DataFrame(datadata, columnscolumns)print(data)# 点赞 投币 收藏# 0 1 5 12# 1 13 2 5# 2 9 9 6# 3 2 5 0# 定义缩放范围min_scaler, max_scaler 0, 1# 初始化缩放器scaler MinMaxScaler(feature_range(min_scaler, max_scaler))# 执行归一化data_minmax scaler.fit_transform(data[columns])print(data_minmax)# [[0. 0.42857143 1. ]# [1. 0. 0.41666667]# [0.66666667 1. 0.5 ]# [0.08333333 0.42857143 0. ]]
标准化
from sklearn.preprocessing import StandardScaler
import pandas as pdif __name__ __main__:# 初始化数据columns [点赞, 投币, 收藏]data [[1, 5, 12],[13, 2, 5],[9, 9, 6],[2, 5, 0]]data pd.DataFrame(datadata, columnscolumns)print(data)# 点赞 投币 收藏# 0 1 5 12# 1 13 2 5# 2 9 9 6# 3 2 5 0# 定义缩放范围min_scaler, max_scaler 0, 1# 初始化缩放器scaler StandardScaler()# 执行标准化【均值为0标准差为1】data_minmax scaler.fit_transform(data[columns])print(data_minmax)# [[-1.05662467 -0.10050378 1.46552595]# [ 1.35851743 -1.30654916 -0.17586311]# [ 0.55347007 1.50755672 0.05862104]# [-0.85536283 -0.10050378 -1.34828388]]三、区别
归一化与标准化都是对数据的特征进行缩放二者的区别是
标准化受异常样本的影响小 样本中如果出现异常值的话该值可能会非常大或非常小归一化的分母是最大值与最小值的差这很可能会导致正常样本的值都挤在一个跟小的范围内从而影响预测结果而标准化的分母是样本标准差受异常点的影响较小。符合统计学假设 自然界中的数值特征多是符合正态分布的标准化基于这个隐含假设将这个正态分布调整为均值为0方差为1的标准正态分布。 四、结论
在需要进行特征缩放的数据集上 尽量采用标准化 而不是归一化去解决问题另外还有一点需要特别注意要把训练集和测试集分开后再分别标准化否则会将测试集的信息引入到训练集中从而影响训练结果
