sklearn实现归一化
归一化1、概览1.1、数据无量纲化1.2 归一化2、sklearn实现归一化2.1.引入库2.2.读入数据2.3、实例归一化方法1方法二(一步解决)2.4 逆转归一化结果2.5 将数据归一化到[0,1]以外的范围中1、概览1.1、数据无量纲化在机器学习算法实践中,我们往往有着将不同规格的数据转换到同一规格,或不同分布的数据转换到某个特定分布的需求,这种需求统称为将数据“无量纲化”。譬如梯度和矩阵为
归一化
1、概览
1.1 数据无量纲化
在机器学习算法实践中,我们往往有着将不同规格的数据转换到同一规格,或不同分布的数据转换到某个特定分布
的需求,这种需求统称为将数据“无量纲化”。譬如梯度和矩阵为核心的算法中,譬如逻辑回归,支持向量机,神经
网络,无量纲化可以加快求解速度;而在距离类模型,譬如K近邻,K-Means聚类中,无量纲化可以帮我们提升模
型精度,避免某一个取值范围特别大的特征对距离计算造成影响。(一个特例是决策树和树的集成算法们,对决策
树我们不需要无量纲化,决策树可以把任意数据都处理得很好。)
数据的无量纲化可以是线性的,也可以是非线性的。线性的无量纲化包括中心化(Zero-centered或者Meansubtraction)处理和缩放处理(Scale)。中心化的本质是让所有记录减去一个固定值,即让数据样本数据平移到
某个位置。缩放的本质是通过除以一个固定值,将数据固定在某个范围之中,取对数也算是一种缩放处理。
1.2 归一化
当数据(x)按照最小值中心化后,再按极差(最大值 - 最小值)缩放,数据移动了最小值个单位,并且会被收敛到
[0,1]之间,而这个过程,就叫做数据归一化(Normalization,又称Min-Max Scaling)。注意,Normalization是归
一化,不是正则化,真正的正则化是regularization,不是数据预处理的一种手段。归一化之后的数据服从正态分
布,公式如下:
x
∗
=
x
−
m
i
n
(
x
)
m
a
x
(
x
)
−
m
i
n
(
x
)
x^*=\frac{x-min(x)}{max(x)-min(x)}
x∗=max(x)−min(x)x−min(x)
2、sklearn实现归一化
2.1.引入库
代码如下(示例):
from sklearn.preprocessing import MinMaxScaler
2.2.读入数据
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
0 1
0 -1.0 2
1 -0.5 6
2 0.0 10
3 1.0 18
2.3、实例归一化
方法1
scaler = MinMaxScaler() #实例化
scaler = scaler.fit(data) #fit,在这里本质是生成min(x)和max(x)
result = scaler.transform(data) #通过接口导出结果
result
array([[0. , 0. ],
[0.25, 0.25],
[0.5 , 0.5 ],
[1. , 1. ]])
方法二(一步解决)
result_ = scaler.fit_transform(data
array([[0. , 0. ],
[0.25, 0.25],
[0.5 , 0.5 ],
[1. , 1. ]])
2.4 逆转归一化结果
scaler.inverse_transform(result) #将归一化后的结果逆转
array([[-1. , 2. ],
[-0.5, 6. ],
[ 0. , 10. ],
[ 1. , 18. ]])
2.5 将数据归一化到[0,1]以外的范围中
在参数feature_range中添加范围
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
scaler = MinMaxScaler(feature_range=[5,10]) #依然实例化
scaler
result = scaler.fit_transform(data) #fit_transform一步导出结果
result
array([[ 5. , 5. ],
[ 6.25, 6.25],
[ 7.5 , 7.5 ],
[10. , 10. ]])
更多推荐
所有评论(0)