机器学习——特征缩放

前言：大多数模型都是直接给出公式，其实本身私下有推导，涉及好多本身不懂的数学知识，会一点点补充的

机器学习专栏：

1. 机器学习——线性回归（预测）
2. 机器学习——逻辑回归（分类）
3. 机器学习——特征缩放
4. 机器学习——正则化

文章目录

• 特征缩放
• 一、特征缩放做用
• 二、特征缩放的四种方式
• 三、sklearn实现特征缩放

特征缩放

一、特征缩放做用

面对特征数量较多的时候，保证这些特征具备相近的尺度（无量纲化），能够使梯度降低法更快的收敛。这两张图表明数据是否均一化的最优解寻解过程（左边是未归一化的），
从这两张图能够看出，数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解

二、特征缩放的四种方式

1. Min-Max Normalization（min-max标准化）
   $x^*=\frac{x-min(x)}{max(x)-min(x)}$
2. Mean normalization（mean归一化）
   $x^*=\frac{x-mean(x)}{max(x)-min(x)}$
3. Standarddization（z-score标准化）
   $x^*=\frac{x-\bar {x}}{\sigma}$
4. max标准化
   $x^*=\frac{x}{max(x)}$

三、sklearn实现特征缩放

# -*- coding: utf-8 -*-
""" Created on Fri Nov 15 16:31:37 2019 @author: 1 """

import pandas as pd
from sklearn import preprocessing 
 
#读取葡萄酒数据集
data = pd.read_csv("D:\workspace\python\machine learning\data\wine_data.csv",sep=',',header=None,skiprows=1)
x =data.iloc[:,1]
#获取数据的基本状况
print('获取数据的基本状况：',x.describe())
#咱们不知道z的shape属性是多少,可是想让z变成只有一列，行数不知道多少，z.reshape(-1,1)
X_train=x.values.reshape(-1,1)

#min-max标准化
MinMax = preprocessing.MinMaxScaler()
X_MinMax = MinMax.fit_transform(X_train)
print('min-max标准化归一化后结果：',X_MinMax)

#z-score标准化
X_scaled = preprocessing.scale(X_train)
print("z-score标准化结果：",X_scaled)

#max标准化
X_max_scaler = preprocessing.MaxAbsScaler(X_train)
print("max标准化结果：",X_max_scaler)