机器学习之归一化和标准化

由于归一化和标准化在数据分析和处理中都属于数据与预处理。所以，其API都在 sklearn.preprocessing中

一、归一化

做用：将数据映射到到某个区域内，默认是0到1之间。

API: sklearn.preprocessing.MinMaxScaler

 

feature_range(0,1)表示将数据映射到0到1之间，也能够指定映射到2到3或者其余的区间。

 

数学原理：

 

 

 理论乏味，来个例子：

左边的数组是咱们的数据，右边的数组是计算的X′。第二步再乘以（1-0）+0便可。

结果：

 

 

 

 

上代码：

 1 from sklearn.preprocessing import MinMaxScaler
 2 
 3 def mm():
 4     '''
 5     g
 6     归一化处理
 7     :return:
 8     '''
 9     mm = MinMaxScaler()
10     data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
11     print(data)
12 if __name__ == '__main__':
13     mm()

 

 

 可是呢，归一化有一个缺点：那就是特别受到异常值的影响，其鲁棒性较差，由于从数学原理角度能够看出其公式中只用到了最大值最小值。

因此，这个时候就须要推出标准化。

二、标准化

由于标准化中使用了平均值和标准差这两个数学指标，而均值和标准差是不容易受到异常值影响的，所以标准化更加稳定。

API：sklearn.preprocessing.StandardScaler

 

 

数学原理：

 

上代码：

 1 from sklearn.preprocessing import StandardScaler
 2 
 3 def Stand():
 4     '''
 5     标准化缩放
 6     :return:
 7     '''
 8     std = StandardScaler()
 9     data = std.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
10     print(data)
11 if __name__ == '__main__':
12     Stand()