本文详细介绍了机器学习中的数据归一化方法——MinMaxScaler。通过清晰的公式解析和实例，阐述了如何将数据映射到特定区间，帮助读者理解这一预处理步骤的核心功能。
前言
前阵在查sklearn的归一化方法MinMaxScaler的时候，发现找到的文章解释的一塌糊涂，一般都是扔个公式加一堆代码就敷衍了事了，所以这次写一篇讲述MinMaxScaler核心功能的文章。
公式
会查MinMaxScaler的基本上都应该理解数据归一化，本质上是将数据点映射到了[0,1]区间（默认），但实际使用的的时候也不一定是到[0,1]，你也可以指定参数feature_range，映射到其他区间，这个后面再讲。
首先了解该计算公式：
X s t d = X − X . m i n ( a x i s = 0 ) X . m a x ( a x i s = 0 ) − X . m i n ( a x i s = 0 ) X s c a l e d = X s t d ∗ ( m a x − m i n ) + m i n X_{std} = \frac{X - X.min(axis=0)}{X.max(axis=0) - X.min(axis=0)}\\ X_{scaled} = X_{std} * (max - min) + min X
最低0.47元/天 解锁文章
扫一扫
1033
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
