資料歸一化

最值歸一化：把所有資料對映到0-1之間

$$x_=\frac}-x_}$$

x = np.random.randint(0, 100, 100) //0到100之間100個隨機整數

(x - np.min(x)) / (np.max(x) - np.min(x))//前半部分得到的是乙個向量，後半部分得到的是乙個數。最終得到乙個向量
x = np.random.randint(0, 100, (50, 2))//50行，2列
x = np.array(x, dtype=float)//轉換為浮點數
//分別對兩個維度（兩列）歸一化
x[:,0] = (x[:,0] - np.min(x[:,0])) / (np.max(x[:,0]) - np.min(x[:,0]))
x[:,1] = (x[:,1] - np.min(x[:,1])) / (np.max(x[:,1]) - np.min(x[:,1]))
plt.scatter(x[:,0], x[:,1])
plt.show()
>>> np.mean(x[:,0])
0.52363636363636368
>>> np.std(x[:,0])
0.29233209762268586

x2 = np.random.randint(0, 100, (50, 2))

x2 = np.array(x2, dtype=float)
x2[:,0] = (x2[:,0] - np.mean(x2[:,0])) / np.std(x2[:,0])
x2[:,1] = (x2[:,1] - np.mean(x2[:,1])) / np.std(x2[:,1])
plt.scatter(x2[:,0], x2[:,1])
plt.show()
>>> np.mean(x2[:,0])
-1.1990408665951691e-16
>>> np.std(x2[:,0])
1.0

iris = datasets.load_iris()

x = iris.data
y = iris.target
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=666)
from sklearn.preprocessing import standardscaler //資料預處理.歸一化
standardscalar = standardscaler() 
>>> standardscalar.fit(x_train)
standardscaler(copy=true, with_mean=true, with_std=true)
>>> standardscalar.mean_ //下劃線變數：不是使用者穿進去的變數，是使用者傳進去的資料經過計算得到的變數，使用者可以隨時從外部查詢
array([ 5.83416667,  3.0825    ,  3.70916667,  1.16916667])
>>> standardscalar.scale_ //scale_:描述資料分布範圍,這裡等於標準差(std)
array([ 0.81019502,  0.44076874,  1.76295187,  0.75429833])
//得到歸一化後的結果
x_train = standardscalar.transform(x_train)
x_test_standard = standardscalar.transform(x_test)

from sklearn.neighbors import kneighborsclassifier

knn_clf = kneighborsclassifier(n_neighbors=3)
>>> knn_clf.fit(x_train, y_train)
kneighborsclassifier(algorithm='auto', leaf_size=30, metric='minkowski',
metric_params=none, n_jobs=1, n_neighbors=3, p=2,
weights='uniform')
>>> knn_clf.score(x_test_standard, y_test)
1.0>>> knn_clf.score(x_test, y_test)
0.33333333333333331

資料歸一化

近來，在網上搜了很多關於資料歸一化的帖子，看了太多，很雜，這裡整理總結一下 歸一化是一種資料預處理方法，就是要把你需要處理的資料經過處理後 通過某種演算法 限制在你需要的一定範圍內，為了後面資料處理的方便，其次是保正程式執行時 收斂加快。比如說，對於奇異樣本資料 所謂奇異樣本資料資料指的是相對於其他...

資料歸一化

如果對神經網路的 輸入和 輸出數 據進行 一定的 預處理 可以加快網路的訓練速 度 matlab 中 提供的預 處理方 法有歸一化處理 將每組資料都變為 1 至 1 之 間數 所涉及 的函式有 premnmx postmnmx tramnmx 標準化處理 將每組資料都為均 值為 0,方 差 為 1 ...

資料歸一化

資料標準化 歸一化 處理是資料探勘的一項基礎工作，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料標準化處理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標處於同一數量級，適合進行綜合對比評價。以下是兩種常用的歸一...