特征预处理，特征选择

特征预处理

1. 统一量纲
   特征规格不一样，不能放在一起比较。（主要看模型，比如树模型就不太需要，而计算距离之类的模型，或者神经网络就需要），主要有标准化，区间放缩，归一化。

标准化

##标准化，均值为0，方差为1
from sklearn.preprocessing import StandardScaler
 
#标准化，返回值为标准化后的数据
StandardScaler().fit_transform(iris.data)

区间放缩

from sklearn.preprocessing import MinMaxScaler

#区间缩放，返回值为缩放到[0, 1]区间的数据
MinMaxScaler().fit_transform(iris.data)

归一化

from sklearn.preprocessing import Normalizer

#归一化，返回值为归一化后的数据
Normalizer().fit_transform(iris.data)

2. 定量特征二值化
   定量特征二值化的核心在于设定一个阈值，大于阈值的赋值为1，小于等于阈值的赋值为0。

from sklearn.preprocessing import Binarizer

#二值化，阈值设置为3，返回值为二值化后的数据
Binarizer(threshold=3).fit_transform(iris.data)

3. 对定性特征哑编码
   某些机器学习算法和模型只能接受定量特征