特征處理方法總覽：

標(biāo)準(zhǔn)化和歸一化介紹：

（1）標(biāo)準(zhǔn)化
　　標(biāo)準(zhǔn)化需要計(jì)算特征的均值和標(biāo)準(zhǔn)差，公式表達(dá)為：

　　使用preproccessing庫(kù)的StandardScaler類(lèi)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化的代碼如下

from sklearn.preprocessing import StandardScaler from sklearn.datasets import load_iris iris=load_iris() #標(biāo)準(zhǔn)化，返回值為標(biāo)準(zhǔn)化后的數(shù)據(jù) StandardScaler().fit_transform(iris.data)

(2)歸一化

使用preproccessing庫(kù)的Normalizer類(lèi)對(duì)數(shù)據(jù)進(jìn)行歸一化的代碼如下：

from sklearn.preprocessing import Normalizer #歸一化，返回值為歸一化后的數(shù)據(jù) Normalizer().fit_transform(iris.data)

區(qū)間縮放法其實(shí)是歸一化的一種：
區(qū)間縮放法的思路有多種，常見(jiàn)的一種為利用兩個(gè)最值進(jìn)行縮放，公式表達(dá)為：

使用preproccessing庫(kù)的MinMaxScaler類(lèi)對(duì)數(shù)據(jù)進(jìn)行區(qū)間縮放的代碼如下：

from sklearn.preprocessing import MinMaxScaler #區(qū)間縮放，返回值為縮放到[0, 1]區(qū)間的數(shù)據(jù) MinMaxScaler().fit_transform(iris.data)

標(biāo)準(zhǔn)化和歸一化適用范圍

幾條說(shuō)明：

（1）如果對(duì)輸出結(jié)果范圍有要求，用歸一化。
（2）如果數(shù)據(jù)較為穩(wěn)定，不存在極端的最大最小值，用歸一化。
（3）如果數(shù)據(jù)存在異常值和較多噪音，用標(biāo)準(zhǔn)化，可以間接通過(guò)中心化避免異常值和極端值的影響。
（4）SVM、KNN（K近鄰）、神經(jīng)網(wǎng)絡(luò)、PCA等模型必須先標(biāo)準(zhǔn)化、歸一化
??優(yōu)先使用標(biāo)準(zhǔn)化。對(duì)于輸出有要求時(shí)再?lài)L試別的方法，如歸一化或者更加復(fù)雜的方法。很多方法都可以將輸出范圍調(diào)整到[0, 1]，如果我們對(duì)于數(shù)據(jù)的分布有假設(shè)的話(huà)，更加有效的方法是使用相對(duì)應(yīng)的概率密度函數(shù)來(lái)轉(zhuǎn)換。

舉個(gè)例子：

在大論文的計(jì)算中，我需要不斷增加預(yù)測(cè)集的數(shù)量，但相對(duì)于訓(xùn)練集增加的個(gè)數(shù)相當(dāng)少，此時(shí)只能用標(biāo)準(zhǔn)化。如果采用區(qū)間縮放法（歸一化），則Max,Min值可能會(huì)變化，進(jìn)而改變縮放的空間，但標(biāo)準(zhǔn)化是均值和標(biāo)準(zhǔn)差所以幾乎不變。

歸一化作用

詳見(jiàn)鏈接
歸一化的作用.

總結(jié)

以上是生活随笔為你收集整理的标准化、归一化等的适用范围的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。