20220121

z-score標(biāo)準(zhǔn)化
模型存儲和load再調(diào)用其實沒有關(guān)系
再load計算的時候，也是以實際的數(shù)據(jù)重新計算
并不是以save模型的邊界來計算的

20211227

onehot訓(xùn)練集保存的模型再預(yù)測集中缺失的部分并不會自動補全

20210529

MinMaxScaler()
https://www.cnblogs.com/shanger/articles/11901768.html
scaler.fit(X_train).transform(X_train) 先訓(xùn)練擬合再使用?
x_train 可以是一個列表
歸一化

一、標(biāo)準(zhǔn)化（Z-Score），或者去除均值和方差縮放
公式為：(X-mean)/std 計算時對每個屬性/每列分別進(jìn)行。

將數(shù)據(jù)按期屬性（按列進(jìn)行）減去其均值，并處以其方差。得到的結(jié)果是，對于每個屬性/每列來說所有數(shù)據(jù)都聚集在0附近，方差為1。

實現(xiàn)時，有兩種不同的方式：

使用sklearn.preprocessing.scale()函數(shù)，可以直接將給定數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。

>>> from sklearn import preprocessing
>>> import numpy as np
>>> X = np.array([[ 1., -1.,  2.],
...               [ 2.,  0.,  0.],
...               [ 0.,  1., -1.]])
>>> X_scaled = preprocessing.scale(X)>>> X_scaled                                          
array([[ 0.  ..., -1.22...,  1.33...],[ 1.22...,  0.  ..., -0.26...],[-1.22...,  1.22..., -1.06...]])>>>#處理后數(shù)據(jù)的均值和方差
>>> X_scaled.mean(axis=0)
array([ 0.,  0.,  0.])>>> X_scaled.std(axis=0)
array([ 1.,  1.,  1.])

使用sklearn.preprocessing.StandardScaler類，使用該類的好處在于可以保存訓(xùn)練集中的參數(shù)（均值、方差）直接使用其對象轉(zhuǎn)換測試集數(shù)據(jù)。

>>> scaler = preprocessing.StandardScaler().fit(X)
>>> scaler
StandardScaler(copy=True, with_mean=True, with_std=True)>>> scaler.mean_                                      
array([ 1. ...,  0. ...,  0.33...])>>> scaler.std_                                       
array([ 0.81...,  0.81...,  1.24...])>>> scaler.transform(X)                               
array([[ 0.  ..., -1.22...,  1.33...],[ 1.22...,  0.  ..., -0.26...],[-1.22...,  1.22..., -1.06...]])>>>#可以直接使用訓(xùn)練集對測試集數(shù)據(jù)進(jìn)行轉(zhuǎn)換
>>> scaler.transform([[-1.,  1., 0.]])                
array([[-2.44...,  1.22..., -0.26...]])

二、將屬性縮放到一個指定范圍
除了上述介紹的方法之外，另一種常用的方法是將屬性縮放到一個指定的最大和最小值（通常是1-0）之間，這可以通過preprocessing.MinMaxScaler類實現(xiàn)。

使用這種方法的目的包括：

1、對于方差非常小的屬性可以增強(qiáng)其穩(wěn)定性。

2、維持稀疏矩陣中為0的條目。

>>> X_train = np.array([[ 1., -1.,  2.],
...                     [ 2.,  0.,  0.],
...                     [ 0.,  1., -1.]])
...
>>> min_max_scaler = preprocessing.MinMaxScaler()
>>> X_train_minmax = min_max_scaler.fit_transform(X_train)
>>> X_train_minmax
array([[ 0.5       ,  0.        ,  1.        ],[ 1.        ,  0.5       ,  0.33333333],[ 0.        ,  1.        ,  0.        ]])>>> #將相同的縮放應(yīng)用到測試集數(shù)據(jù)中
>>> X_test = np.array([[ -3., -1.,  4.]])
>>> X_test_minmax = min_max_scaler.transform(X_test)
>>> X_test_minmax
array([[-1.5       ,  0.        ,  1.66666667]])>>> #縮放因子等屬性
>>> min_max_scaler.scale_                             
array([ 0.5       ,  0.5       ,  0.33...])>>> min_max_scaler.min_                               
array([ 0.        ,  0.5       ,  0.33...])

當(dāng)然，在構(gòu)造類對象的時候也可以直接指定最大最小值的范圍：feature_range=(min, max)，此時應(yīng)用的公式變?yōu)?#xff1a;

X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))

X_scaled=X_std/(max-min)+min

三、正則化（Normalization）
正則化的過程是將每個樣本縮放到單位范數(shù)（每個樣本的范數(shù)為1），如果后面要使用如二次型（點積）或者其它核方法計算兩個樣本之間的相似性這個方法會很有用。

Normalization主要思想是對每個樣本計算其p-范數(shù)，然后對該樣本中每個元素除以該范數(shù)，這樣處理的結(jié)果是使得每個處理后樣本的p-范數(shù)（l1-norm,l2-norm）等于1。

         p-范數(shù)的計算公式：||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p

該方法主要應(yīng)用于文本分類和聚類中。例如，對于兩個TF-IDF向量的l2-norm進(jìn)行點積，就可以得到這兩個向量的余弦相似性。

1、可以使用preprocessing.normalize()函數(shù)對指定數(shù)據(jù)進(jìn)行轉(zhuǎn)換：

>>> X = [[ 1., -1.,  2.],
...      [ 2.,  0.,  0.],
...      [ 0.,  1., -1.]]
>>> X_normalized = preprocessing.normalize(X, norm='l2')>>> X_normalized                                      
array([[ 0.40..., -0.40...,  0.81...],[ 1.  ...,  0.  ...,  0.  ...],[ 0.  ...,  0.70..., -0.70...]])

2、可以使用processing.Normalizer()類實現(xiàn)對訓(xùn)練集和測試集的擬合和轉(zhuǎn)換：

>>> normalizer = preprocessing.Normalizer().fit(X)  # fit does nothing
>>> normalizer
Normalizer(copy=True, norm='l2')>>>
>>> normalizer.transform(X)                            
array([[ 0.40..., -0.40...,  0.81...],[ 1.  ...,  0.  ...,  0.  ...],[ 0.  ...,  0.70..., -0.70...]])>>> normalizer.transform([[-1.,  1., 0.]])             
array([[-0.70...,  0.70...,  0.  ...]])

總結(jié)

以上是生活随笔為你收集整理的关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化的全部內(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，歡迎將生活随笔推薦給好友。