1?StandardScaler原理

?

????????去均值和方差歸一化。且是針對每一個特征維度來做的，而不是針對樣本。?

，其中μ為所有樣本數據的均值，σ為所有樣本數據的標準差。

?2 用sklearn 實現數據歸一化

from sklearn.preprocessing import StandardScaler # 標準化工具 import numpy as npx_np = np.array([[100, -1., 2.],[2., 0., 0.],[-1,-2,1]]) scaler = StandardScaler() x_train = scaler.fit_transform(x_np) print(x_train) ''' [[ 1.4137317 0. 1.22474487][-0.67489704 1.22474487 -1.22474487][-0.73883466 -1.22474487 0. ]] '''

3 fit_transform 和transform的區別

• ?fit_transform是fit和transform的組合。相當于先fit，再tranform（先擬合數據，再標準化）
• ?fit(x,y)傳兩個參數的是有監督學習的算法，fit(x)傳一個參數的是無監督學習的算法(比如降維、特征提取、標準化)
• ?fit和transform沒有任何關系，之所以出來這么個函數名，僅僅是為了寫代碼方便，所以會發現transform（）和fit_transform（）的運行結果是一樣的。
• 運行結果一模一樣不代表這兩個函數可以互相替換，絕對不可以！transform函數是一定可以替換為fit_transform函數的，fit_transform函數不能替換為transform函數！

4?inverse_transform

將標準化后的數據轉換為原始數據。

from sklearn.preprocessing import StandardScaler # 標準化工具 import numpy as npx_np = np.array([[100, -1., 2.],[2., 0., 0.],[-1,-2,1]]) scaler = StandardScaler() x_train = scaler.fit_transform(x_np)x_train ''' array([[ 1.4137317 , 0. , 1.22474487],[-0.67489704, 1.22474487, -1.22474487],[-0.73883466, -1.22474487, 0. ]]) '''x_train=np.int32(scaler.inverse_transform(x_train)) x_train ''' array([[100, -1, 2],[ 1, 0, 0],[ -1, -2, 1]]) '''

?

總結

以上是生活随笔為你收集整理的sklearn 笔记：数据归一化（StandardScaler）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。