機器學習 歸一化數值

在計算歐氏距離的過程中，數值較大的屬性對結果的貢獻大，如果認為不同屬性權重應該相同的話，就需要將數值歸一化處理。

from numpy import *

def autonorm(dataset):
minvals=dataset.min(0)  #取每列的最小值，返回陣列
print(minvals)
maxvals=dataset.max(0)
print(maxvals)
ranges=maxvals-minvals  #ranges是每列的最大值與最小值之差組成的陣列
print(ranges)
normdataset=zeros(shape(dataset))
print(normdataset)
m=dataset.shape[0]  #取dataset的行數
normdataset=dataset-tile(minvals,(m,1))
print(normdataset)
normdataset=normdataset/tile(ranges,(m,1))
print(ranges)
return normdataset

minvals=dataset.min(0)    #取資料集每列的最小值，返回陣列

from numpy import *

dataset=array(([6,5],
[3,1000],
[10,300]))
print(dataset.min())    #返回所有元素中的最小值
print(dataset.min(0))   #返回每列的最小值組成的陣列
print(dataset.min(1))   #返回每行的最小值組成的陣列
輸出：3
[3 5]
[ 5  3 10]

m=dataset.shape[0] #取dataset的行數

from numpy import *

dataset=array(([6,5],
[3,1000],
[10,300]))
print(dataset.shape)    #返回資料集的「形狀」，行數和列數
print(dataset.shape[0])     #返回行數
print(dataset.shape[1])     #返回列數
輸出：(3, 2)
32

機器學習 歸一化數值

1.為什麼要歸一化？表示乙個事物有不同的維度 即 屬性 每個屬性的取值範圍不同，導致計算時此屬性占用的權重不同，即資料的量綱不同，量綱小的資料容易受到量綱大的資料影響。如 兩個人的屬性對比 屬性a person b persion 身高1.75 1.81 年齡41 26收入 40000 10000 ...

機器學習演算法 歸一化數值

coding utf 8 author whf import numpy from knn import file2matrix from numpy import def autonorm dataset 將每列的最小值放在minvals中 minvals dataset.min 0 將每列的最大...

數值歸一化

當資料報含不同量綱的多種變數時，數值間的差別可能很大，例如有些有機酸的離解常數 pka 數值大約為個位數或為負數，沸點資料則約為幾十攝氏度或數百攝氏度。再如所採用的單位不同，資料的大小也會有很大的差別，如毫摩爾濃度與摩爾濃度相差1000倍。如果將這種不同種類 不同量綱 數值大小差別很大的資料組合在一...