MachineLearning&DeepLearning：数据预处理

文章目录

MachineLearning&DeepLearning：数据预处理一、最大最小规范化（sklearn-preprocessing1. MinMaxScaler：[0, 1]2.MaxAbsScaler：[-1, 1] 二、 标准化（sklearn-preprocessing三、正则规范化四、Box-Cox变换

一、最大最小规范化（sklearn-preprocessing

1. MinMaxScaler：[0, 1]

a = np.array([1.0, 2.0, 3.0, 4.0]).reshape((2, 2)) m = MinMaxScaler() print(m.fit_transform(a)) b = np.array([2.0, 5.0]).reshape((1, -1)) print(m.transform(b))

2.MaxAbsScaler：[-1, 1]

​ 原理与上面的很像，只是数据会被规模化到[-1,1]之间。也就是特征中，所有数据都会除以最大值。这个方法对那些已经中心化均值维0或者稀疏的数据有意义。MaxAbsScaler 和 maxabs_scale这两个方法是专门为稀疏数据的规模化所设计的。

二、 标准化（sklearn-preprocessing

​ Standardization标准化:将特征数据的分布调整成标准正态分布（高斯分布），也就是使得数据的均值维0，方差为1.

​ 标准化的原因在于如果有些特征的方差过大，则会主导目标函数从而使参数估计器无法正确地去学习其他特征。

​ 标准化的过程为两步：去均值的中心化（均值变为0）；方差的规模化（方差变为1）。

三、正则规范化

四、Box-Cox变换

针对标签进行变换，使之分布更加趋向于高斯分布。常量c可以设置为1，$\lambda$参数控制变换形式，可以囊括幂函数、对数函数、线性函数等.

dn.net/weixin_40807247/article/details/82793220