標(biāo)準(zhǔn)化

去均值，方差規(guī)模化

數(shù)據(jù)分析的過程中，比如線性規(guī)劃這一類的分析，如果有些特征的數(shù)值遠(yuǎn)遠(yuǎn)高于或低于其他數(shù)值，通常稱之為獨(dú)立點(diǎn)、異常值或噪點(diǎn)，那么對于受噪點(diǎn)影響較大的模型就無法正確地去學(xué)習(xí)其他特征。

Standardization標(biāo)準(zhǔn)化：將特征數(shù)據(jù)的分布調(diào)整成標(biāo)準(zhǔn)正太分布，也叫高斯分布，過程為兩步：去均值的中心化（均值變?yōu)?）；方差的規(guī)模化（方差變?yōu)?）。
在sklearn.preprocessing中有一個(gè)scale方法，可以實(shí)現(xiàn)數(shù)據(jù)標(biāo)準(zhǔn)化，該方法默認(rèn)按照列進(jìn)行標(biāo)準(zhǔn)化。

from sklearn import preprocessing import numpy as npx = np.array([[1., -1., 2., 3.],[2., 0., 0., -2],[0., 1., -1., 0],[1., 2., -3., 1]])print("標(biāo)準(zhǔn)化之前的方差：", x.mean(axis=0)) print("標(biāo)準(zhǔn)化之前的標(biāo)準(zhǔn)差：", x.std(axis=0))#標(biāo)準(zhǔn)化 x_scale = preprocessing.scale(x) print("\n------------------\n標(biāo)準(zhǔn)化結(jié)果：\n", x_scale) print("\n標(biāo)準(zhǔn)化之后的方差：", x_scale.mean(axis=0)) print("標(biāo)準(zhǔn)化之后的標(biāo)準(zhǔn)差：", x_scale.std(axis=0))

運(yùn)行結(jié)果：

標(biāo)準(zhǔn)化之前的方差： [ 1. 0.5 -0.5 0.5]
標(biāo)準(zhǔn)化之前的標(biāo)準(zhǔn)差： [0.70710678 1.11803399 1.80277564 1.80277564]

標(biāo)準(zhǔn)化結(jié)果：
[[ 0. -1.34164079 1.38675049 1.38675049]
[ 1.41421356 -0.4472136 0.2773501 -1.38675049]
[-1.41421356 0.4472136 -0.2773501 -0.2773501 ]
[ 0. 1.34164079 -1.38675049 0.2773501 ]]

標(biāo)準(zhǔn)化之后的方差： [0. 0. 0. 0.]
標(biāo)準(zhǔn)化之后的標(biāo)準(zhǔn)差： [1. 1. 1. 1.]

數(shù)據(jù)歸一化 MinMaxScaler()/MaxAbsScaler() 文章鏈接

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的数据标准化 - scale() - Python代码的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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