特征工程之归一化及标准化

特征的预处理：对数据进行处理

特征处理：通过特定的统计方法（数学方法）将数据转换成算法要求的数据

归一化：

多个特征同等重要的时候需要进行归一化处理
目的：使得某一个特征对最终结果不会造成更大影响

归一化API：

标准化：

归一化及标准化实例代码：

# 数据预处理
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScalerdef mm():'''归一化处理:return:None'''# mm = MinMaxScaler()mm = MinMaxScaler(feature_range=(2, 3))data = mm.fit_transform([[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 13, 46]])print(data)return Nonedef stand():'''标准化缩放:return:None'''std = StandardScaler()data = std.fit_transform([[1, -1, 3], [2, 4, 2], [4, 6, -1]])print(data)return Noneif __name__ == "__main__":mm()stand()

运行结果：

转载于:https://www.cnblogs.com/shixinzei/p/10166378.html

特征工程之归一化及标准化相关推荐

特征工程：归一化与标准化
样本特征由于来源以及度量单位不同,它们的尺度(Scale),或者说是取值范围有可能差异很大.如果一个机器学习算法在缩放全部或者部分特征后不影响它的学习和预测,我们就称该算法具有尺度不变性(Scale ...
特征工程中的数据标准化
数据标准化数据标准化主要用来消除不同特征之间的量纲的影响,量纲指的是特征的计量单位,如果特征的单位不一致,那么不同的特征不能放在一起去比较.例如在日常生活中,身高的单位时cm,体重的单位时kg,二者 ...
05_数据的特征处理，归一化，标准化、缺失值处理，以及案例，使用场景，处理办法等
1.数据的特征处理 1.1.特征处理是什么通过特定的统计方法(数学方法)将数据转换成算法要求的数据 1.1.1.特征处理的方法 1.1.1.1特征处理方法特征处理主要有以下几种方法: 数值型数据: ...
【机器学习】sklearn数据特征预处理：归一化和标准化
归一化处理特点:通过对原始数据进行变换把数据映射到(默认为[0,1])之间 from sklearn.preprocessing import MinMaxScaler def mm():" ...
归一化处理公式_特征工程连续特征的常见处理方式（含实例）
点击标题下「小小挖掘机」可快速关注连续特征离散化可以使模型更加稳健,比如当我们预测用户是否点击某个商品时,一个点击该商品所属类别下次数为100次和一个点击次数为105次的用户可能具有相似的点击行为, ...
特征工程整理流程和涉及技术点
转自:http://www.cnblogs.com/weibao/p/6252280.html 上周参加了学校的数据挖掘竞赛,总的来说,在还需要人工干预的机器学习相关的任务中,主要解决两个问题:(1) ...
1. 机器学习概述与特征工程
文章目录 1.机器学习概述 1.机器学习工作流程学习目标 1 什么是机器学习 2 机器学习工作流程 2.1 获取到的数据集介绍 2.2 数据基本处理 2.3 特征工程 2.4 机器学习 2.5 模型 ...
ML之FE：数据处理—特征工程之特征三化(标准化【四大数据类型(数值型/类别型/字符串型/时间型)】、归一化、向量化)简介、代码实现、案例应用之详细攻略
ML之FE:数据处理-特征工程之特征三化(标准化[四大数据类型(数值型/类别型/字符串型/时间型)].归一化.向量化)简介.代码实现.案例应用之详细攻略目录真正意义的标准化与归一化 1.标准化/Z ...
EOF-DataScience：数据预处理/特征工程之线性变换—四种特征缩放Scaling算法简介、标准化standardization、归一化Normalization的概述与区别
DataScience:数据预处理/特征工程之线性变换-四种特征缩放Scaling算法简介.标准化standardization.归一化Normalization的概述与区别目录数据处理中常见的四 ...

特征工程之归一化及标准化

特征工程之归一化及标准化相关推荐

最新文章

热门文章