將資料集中某一列數值特徵的值縮放到0-1區間內：
x是指一列的值，x_i是列中的每乙個，min(x)是這一列的最小值，max(x)是這一列的最大值。
當要求特徵必須是在0-1之間的，此時必須要使用歸一化。
將資料集中某一列數值特徵的值縮放成平均值為0，標準差為1的狀態：
！深坑
求mean並不存在什麼異議，但是求std時就會有問題了，涉及到分母中是n還是(n-1)。
(1) 如果對一維陣列x=[1,2,3]求std，那麼np.std(x)=x.std()=0.8164……，這個結果是不正確的，一定要設定ddof=1，因為該方法中分母為(n-ddof)，而預設的ddof=0，所以設定ddof=1才能滿足公式中分母為(n-1)；
(2) 如果對多維陣列x=[[1,0,2],[-1,0,-2]]求std，因為在資料集中對**列**進行標準化才有意義，所以np.std(x,axis=0)=x.std(axis=0)=[1,0,2]，這時候不用再設定ddof=1；如果不設定axis=0，那麼則認為對全部數字求std，與對x=[1,0,2,-1,0,-2]求std沒區別，所以仍然需要設定ddof=1；
將資料集中某乙個樣本縮放成單位標準：
正則化(normalization)與歸一化和標準化不同，歸一化和標準化是對資料集中的列進行的操作，而正則化是對資料集中的行進行的操作。
常見的正則化是l2正則化，即使用l2範數，這也就是將向量單位化的過程。
第一步：邏輯回歸必須要使用標準化嗎？
這取決於我們是不是使用正則化項，如果使用正則，那麼標準化是必須的，如果不使用正則，標準化並不是必須的。
目標函式 = 損失函式 + 正則化項，損失函式只是度量**與真實值之間的差距，而正則化項會度量引數值是否足夠小，引數值的大小程度與特徵值的範圍是相關的。比如用體重**身高，身高=體重*w，如果體重用kg來衡量和用噸來衡量，w就會變化1000倍；另外對於不同的特徵，如果乙個特徵的範圍是0-1，另乙個特徵的範圍是100-1000，那麼每個特徵對應的引數級別也會不同，在l1正則中，是將所有的引數相加，由於引數的級別不同，導致l1最後只對那些級別較大的引數起作用，級別較小的引數都被忽略了。
第二步：不使用正則化項，標準化對邏輯回歸有好處嗎？
當然有好處！標準化後，得到的引數可以反映不同特徵對label的貢獻程度，方便進行特徵篩選，如果不進行標準化，是不能這樣來篩選特徵的。
第三步：做標準化有什麼注意事項嗎？
最大的注意事項就是將整個datasets劃分成train和test，然後對train上的資料進行標準化，因為如果在整個datasets上進行標準化，就會將test的資訊引入train。
歸一化 標準化和正則化
歸一化一般是將資料對映到指定的範圍，用於去除不同維度資料的量綱以及量綱單位。常見的對映範圍有 0,1 和 1,1 最常見的歸一化方法就是 min max 歸一化 舉個例子，我們判斷乙個人的身體狀況是否健康，那麼我們會採集人體的很多指標，比如說 身高 體重 紅細胞數量 白細胞數量等。乙個人身高 180...
歸一化 標準化 正則化
無量綱化使不同規格的資料轉換到同一規格。常用的無量綱化方法有標準化和區間縮放法。標準化的前提是特徵值服從正態分佈，標準化後，其轉換成標準正態分佈 區間縮放法利用了邊界值資訊，將特徵的取值區間縮放到某個特點的範圍，例如 0,1 等。標準化的前提是特徵值服從正態分佈，標準化後，其轉換成標準正態分佈 z ...
標準化 歸一化 正則化
x x x min x max x min 歸一化後的資料取值區間為 0,1 from sklearn.preprocessing import minmaxscaler import numpy as np data np.random.uniform 0,100,10 np.newaxis 隨機...