关于机器学习，你需要了解的规范化方法

数据社

发布于 2020-05-25 10:37:36

6970

发布于 2020-05-25 10:37:36

文章被收录于专栏：数据社

1. Min-max 规范化

将原始数据规范到[0-1]之间，公式如下：

新数值=(原数值-极小值)/(极大值-极小值)

代码实现：

# coding:utf-8
 
from sklearn import preprocessing
 
import numpy as np
 
# 初始化数据，每一行表示一个样本，每一列表示一个特征
 
x = np.array([[ 0., -3., 1.],
 
 [ 3., 1., 2.],
 
 [ 0., 1., -1.]])
 
# 将数据进行 [0,1] 规范化
 
min_max_scaler = preprocessing.MinMaxScaler()
 
minmax_x = min_max_scaler.fit_transform(x)
 
print (minmax_x)

2.Z-Score规范化

假设 A 与 B 的考试成绩都为 80 分，A 的考卷满分是 100 分（及格 60 分），B 的考卷满分是 500 分（及格 300 分）。虽然两个人都考了 80 分，但是 A 的 80 分与 B 的 80 分代表完全不同的含义。

那么如何用相同的标准来比较 A 与 B 的成绩呢？Z-Score 就是用来可以解决这一问题的。

公式如下：

新数值 =（原数值 - 均值）/ 标准差。

代码实现：

from sklearn import preprocessing
 
import numpy as np
 
# 初始化数据
 
x = np.array([[ 0., -3., 1.],
 
 [ 3., 1., 2.],
 
 [ 0., 1., -1.]])
 
# 将数据进行 Z-Score 规范化
 
scaled_x = preprocessing.scale(x)
 
print (scaled_x)

我们能看到 Z-Score 的优点是算法简单，不受数据量级影响，结果易于比较。不足在于，它需要数据整体的平均值和方差，而且结果没有实际意义，只是用于比较。3.小数定标规范小数定标规范化就是通过移动小数点的位置来进行规范化。小数点移动多少位取决于属性 A 的取值中的最大绝对值。举个例子，比如属性 A 的取值范围是 -999 到 88，那么最大绝对值为 999，小数点就会移动 3 位，即新数值 = 原数值 /1000。那么 A 的取值范围就被规范化为 -0.999 到 0.088。代码实现:

# coding:utf-8
 
from sklearn import preprocessing
 
import numpy as np
 
# 初始化数据
 
x = np.array([[ 0., -3., 1.],
 
 [ 3., 1., 2.],
 
 [ 0., 1., -1.]])
 
# 小数定标规范化
 
j = np.ceil(np.log10(np.max(abs(x))))
 
scaled_x = x/(10**j)
 
print (scaled_x)

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2020-04-14，如有侵权请联系 cloudcommunity@tencent.com 删除

max