資料預處理之歸一化和標準化

1、把數變為（0，1）之間的小數，主要是為了資料處理方便提出來的，把資料對映到0～1範圍之內處理，更加便捷快速。

2、把有量綱表示式變為無量綱表示式

歸一化是一種簡化計算的方式，即將有量綱的表示式，經過變換，化為無量綱的表示式，成為純量。

歸一化演算法有：

1.線性轉換:

y=(x-minvalue)/(maxvalue-minvalue)

y=log10(x)

y=atan(x)*2/pi

import numpy as np

from sklearn.preprocessing import minmaxscaler #preprocessing:資料預處理模組
a = np.array([[13,62,9],[-3,6,18],[100,51,29]])# create a 3*3 matrix
model = minmaxscaler()#minmaxscale(copy  = true,feature_range = (0,1))
train_a = model.fit_transform(a)
print(a)

array([[0.15533981, 1.        , 0.        ],

[0.        , 0.        , 0.45      ],
[1.        , 0.80357143, 1.        ]])

z-score標準化，我們在衡量資料的分布時，通過對資料進行標準化，將資料轉換為均值0，標準差為1的分布。

z-score = (x-mean(x))/std

#scale()方法

import numpy as np
from sklearn.preprocessing import scale
a = np.array([[13,62,9],[-3,6,18],[100,51,29]])
train_a = scale(a)
print(train_a)

array([[-0.52293602,  0.92188257, -1.18195176],

[-0.87647023, -1.38970358, -0.08151391],
[ 1.39940625,  0.46782101,  1.26346568]])

#standardscaler()方法

import numpy as np
from sklearn.preprocessing import standardscaler
a = np.array([[13,62,9],[-3,6,18],[100,51,29]])
model = standardscaler()#standardscaler(copy=true, with_mean=true, with_std=true)
print(model.fit_transform(a))

array([[-0.52293602,  0.92188257, -1.18195176],

[-0.87647023, -1.38970358, -0.08151391],
[ 1.39940625,  0.46782101,  1.26346568]])

sklearn資料預處理 歸一化 標準化

1 把數變為 0，1 之間的小數 主要是為了資料處理方便提出來的，把資料對映到0 1範圍之內處理，更加便捷快速。2 把有量綱表示式變為無量綱表示式 歸一化是一種簡化計算的方式，即將有量綱的表示式，經過變換，化為無量綱的表示式，成為純量。歸一化演算法有 1.線性轉換 y x minvalue maxv...

資料預處理 歸一化 標準化詳解

一般而言，樣本的原始特徵中的每一維特徵由於 以及度量單位不同，其特徵取值的分布範圍往往差異很大，比如身高 體重 血壓等它們的度量和分布範圍往往是不一樣的。當我們計算不同樣本之間的歐氏距離時，取值範圍大的特徵會起到主導作用。這樣，對於基於相似度比較的機器學習方法 比如最近鄰分類器 必須先對樣本進行預處...

資料預處理 歸一化與z score標準化

歸一化 歸一化是一種簡化計算的方式，即將有量綱 的表示式，經過變換，化為 無量綱的表示式，成為 標量。在多種 計算中都經常用到這種方法。線性函式轉換 y x minvalue maxvalue minvalue 說明 x y分別為轉換前 後的值，maxvalue minvalue分別為樣本的最大值和...