[Scikit-Learn] - 数据预处理 - 归一化/标准化/正则化

最新推荐文章于 2024-08-08 09:52:46 发布

张博208

最新推荐文章于 2024-08-08 09:52:46 发布

阅读量852

点赞数

分类专栏： sklearn Python Data Analysis

Python 同时被 3 个专栏收录

158 篇文章 2 订阅

订阅专栏

Data Analysis

75 篇文章 10 订阅

订阅专栏

sklearn

17 篇文章 0 订阅

订阅专栏

reference: http://www.cnblogs.com/chaosimple/p/4153167.html

http://blog.csdn.net/dream_angel_z/article/details/49406573

均值公式：

x ¯ = 1 n \sum i = 1 n x i

方差公式：

s 2 = 1 n \sum i = 1 n (x i - x ¯) 2

0-范数，向量中非零元素的个数。

1-范数：

| | X | | = \sum i = 1 n | x i |

2-范数：

| | X | | 2 = (\sum i = 1 n x 2 i) 1 2

p-范数的计算公式：

| | X | | p = (| x 1 | p + | x 2 | p + . . . + | x n | p) 1 p

一、标准化（Z-Score），或者去除均值和方差缩放

公式为：(X-mean)/std 计算时对每个属性/每列分别进行。

将数据按期属性（按列进行）减去其均值，并处以其方差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。

实现时，有两种不同的方式：

使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标准化。

 
   
        >>> from sklearn  
        import  
        preprocessing 
       
 
        >>>  
        import  
        numpy  
        as  
        np 
       
 
        >>> X = np.array([[  
        1 
        ., - 
        1 
        .,   
        2 
        .], 
       
 
        ...               [  
        2 
        .,   
        0 
        .,   
        0 
        .], 
       
 
        ...               [  
        0 
        .,   
        1 
        ., - 
        1 
        .]]) 
       
 
        >>> X_scaled = preprocessing.scale(X) 
       

           
       
 
        >>> X_scaled                                          
       
 
        array([[  
        0 
        .  ..., - 
        1.22 
        ...,   
        1.33 
        ...], 
       
 
                
        [  
        1.22 
        ...,   
        0 
        .  ..., - 
        0.26 
        ...], 
       
 
                
        [- 
        1.22 
        ...,   
        1.22 
        ..., - 
        1.06 
        ...]]) 
       

           
       
 
        >>>#处理后数据的均值和方差 
       
 
        >>> X_scaled.mean(axis= 
        0 
        ) 
       
 
        array([  
        0 
        .,   
        0 
        .,   
        0 
        .]) 
       

           
       
 
        >>> X_scaled.std(axis= 
        0 
        ) 
       
 
        array([  
        1 
        .,   
        1 
        .,   
        1 
        .]) 
       
 
 

使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。

 
  
       >>> scaler  
       =  
       preprocessing.StandardScaler().fit(X) 
      
 
       >>> scaler 
      
 
       StandardScaler(copy 
       = 
       True 
       , with_mean 
       = 
       True 
       , with_std 
       = 
       True 
       ) 
      

          
      
 
       >>> scaler.mean_                                      
      
 
       array([  
       1.  
       ...,   
       0.  
       ...,   
       0.33 
       ...]) 
      

          
      
 
       >>> scaler.std_                                       
      
 
       array([  
       0.81 
       ...,   
       0.81 
       ...,   
       1.24 
       ...]) 
      

          
      
 
       >>> scaler.transform(X)                               
      
 
       array([[  
       0.   
       ...,  
       - 
       1.22 
       ...,   
       1.33 
       ...], 
      
 
               
       [  
       1.22 
       ...,   
       0.   
       ...,  
       - 
       0.26 
       ...], 
      
 
               
       [ 
       - 
       1.22 
       ...,   
       1.22 
       ...,  
       - 
       1.06 
       ...]]) 
      

          
      

          
      
 
       >>> 
       #可以直接使用训练集对测试集数据进行转换 
      
 
       >>> scaler.transform([[ 
       - 
       1. 
       ,   
       1. 
       ,  
       0. 
       ]])                
      
 
       array([[ 
       - 
       2.44 
       ...,   
       1.22 
       ...,  
       - 
       0.26 
       ...]]) 
      
 

二、将属性缩放到一个指定范围

除了上述介绍的方法之外，另一种常用的方法是将属性缩放到一个指定的最大和最小值（通常是1-0）之间，这可以通过preprocessing.MinMaxScaler类实现。

使用这种方法的目的包括：

1、对于方差非常小的属性可以增强其稳定性。

2、维持稀疏矩阵中为0的条目。

 
  
       >>> X_train  
       =  
       np.array([[  
       1. 
       ,  
       - 
       1. 
       ,   
       2. 
       ], 
      
 
       ...                     [  
       2. 
       ,   
       0. 
       ,   
       0. 
       ], 
      
 
       ...                     [  
       0. 
       ,   
       1. 
       ,  
       - 
       1. 
       ]]) 
      
 
       ... 
      
 
       >>> min_max_scaler  
       =  
       preprocessing.MinMaxScaler() 
      
 
       >>> X_train_minmax  
       =  
       min_max_scaler.fit_transform(X_train) 
      
 
       >>> X_train_minmax 
      
 
       array([[  
       0.5        
       ,   
       0.         
       ,   
       1.         
       ], 
      
 
               
       [  
       1.         
       ,   
       0.5        
       ,   
       0.33333333 
       ], 
      
 
               
       [  
       0.         
       ,   
       1.         
       ,   
       0.         
       ]]) 
      

          
      
 
       >>>  
       #将相同的缩放应用到测试集数据中 
      
 
       >>> X_test  
       =  
       np.array([[  
       - 
       3. 
       ,  
       - 
       1. 
       ,   
       4. 
       ]]) 
      
 
       >>> X_test_minmax  
       =  
       min_max_scaler.transform(X_test) 
      
 
       >>> X_test_minmax 
      
 
       array([[ 
       - 
       1.5        
       ,   
       0.         
       ,   
       1.66666667 
       ]]) 
      

          
      

          
      
 
       >>>  
       #缩放因子等属性 
      
 
       >>> min_max_scaler.scale_                             
      
 
       array([  
       0.5        
       ,   
       0.5        
       ,   
       0.33 
       ...]) 
      

          
      
 
       >>> min_max_scaler.min_                               
      
 
       array([  
       0.         
       ,   
       0.5        
       ,   
       0.33 
       ...]) 
      
 

当然，在构造类对象的时候也可以直接指定最大最小值的范围：feature_range=(min, max)，此时应用的公式变为：

X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))

X_scaled=X_std/(max-min)+min

三、正则化（Normalization）

正则化的过程是将每个样本缩放到单位范数（每个样本的范数为1），如果后面要使用如二次型（点积）或者其它核方法计算两个样本之间的相似性这个方法会很有用。

Normalization主要思想是对每个样本计算其p-范数，然后对该样本中每个元素除以该范数，这样处理的结果是使得每个处理后样本的p-范数（l1-norm,l2-norm）等于1。

p-范数的计算公式：||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p

该方法主要应用于文本分类和聚类中。例如，对于两个TF-IDF向量的l2-norm进行点积，就可以得到这两个向量的余弦相似性。

1、可以使用preprocessing.normalize()函数对指定数据进行转换：

 
  
       >>> X  
       =  
       [[  
       1. 
       ,  
       - 
       1. 
       ,   
       2. 
       ], 
      
 
       ...      [  
       2. 
       ,   
       0. 
       ,   
       0. 
       ], 
      
 
       ...      [  
       0. 
       ,   
       1. 
       ,  
       - 
       1. 
       ]] 
      
 
       >>> X_normalized  
       =  
       preprocessing.normalize(X, norm 
       = 
       ‘l2‘ 
       ) 
      

          
      
 
       >>> X_normalized                                      
      
 
       array([[  
       0.40 
       ...,  
       - 
       0.40 
       ...,   
       0.81 
       ...], 
      
 
               
       [  
       1.   
       ...,   
       0.   
       ...,   
       0.   
       ...], 
      
 
               
       [  
       0.   
       ...,   
       0.70 
       ...,  
       - 
       0.70 
       ...]]) 
      
 

2、可以使用processing.Normalizer()类实现对训练集和测试集的拟合和转换：

 
  
       >>> normalizer  
       =  
       preprocessing.Normalizer().fit(X)   
       # fit does nothing 
      
 
       >>> normalizer 
      
 
       Normalizer(copy 
       = 
       True 
       , norm 
       = 
       ‘l2‘ 
       ) 
      

          
      
 
       >>> 
      
 
       >>> normalizer.transform(X)                            
      
 
       array([[  
       0.40 
       ...,  
       - 
       0.40 
       ...,   
       0.81 
       ...], 
      
 
               
       [  
       1.   
       ...,   
       0.   
       ...,   
       0.   
       ...], 
      
 
               
       [  
       0.   
       ...,   
       0.70 
       ...,  
       - 
       0.70 
       ...]]) 
      

          
      
 
       >>> normalizer.transform([[ 
       - 
       1. 
       ,   
       1. 
       ,  
       0. 
       ]])             
      
 
       array([[ 
       - 
       0.70 
       ...,   
       0.70 
       ...,   
       0.   
       ...]]) 
      
 