Sklearn标准化和归一化方法汇总(3)：范数归一化

已于 2024-05-15 22:08:36 修改
阅读量2.3k 收藏 12
点赞数 6
分类专栏： AIML笔记 付费专栏 文章标签： sklearn normalization 范数归一化 归一化 范数
于 2023-01-18 10:12:11 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/bluishglc/article/details/128723321
版权
付费专栏 同时被 2 个专栏收录
94 篇文章 24 订阅 ¥99.90 ¥299.90
订阅专栏
AIML笔记
14 篇文章 7 订阅
订阅专栏
本文介绍了Sklearn中范数归一化的概念和计算逻辑，探讨了范数归一化与标准差归一化、Min-Max归一化的区别，并通过示例展示了范数归一化在向量数据上的应用。范数归一化适用于需要进行向量或矩阵运算的场景，处理后数据分布在以原点为圆心，半径为1的圆或圆球上。
摘要由CSDN通过智能技术生成
《大数据平台架构与原型实现：数据中台建设实战》 博主历时三年精心创作的《大数据平台架构与原型实现：数据中台建设实战》一书现已由知名IT图书品牌电子工业出版社博文视点出版发行，点击《重磅推荐：建大数据平台太难了！给我发个工程原型吧！》了解图书详情，京东购书链接：https://item.jd.com/12677623.html，扫描左侧二维码进入京东手机购书页面。

Sklearn中与特征缩放有关的五个函数和类，全部位于sklearn.preprocessing包内。作为一个系列文章，我们将逐一讲解Sklearn中提供的标准化和归一化方法，以下是本系列已发布的文章列表：

了解本专栏 订阅专栏 解锁全文
Laurence　
关注
专栏目录
订阅专栏
Sklearn标准化和归一化方法汇总(1)：标准化 / 标准差归一化 / Z-Score归一化
Laurence的技术博客
01-17 4396
标准化 / 标准差归一化 / Z-Score归一化的算法是：先求出数据集（通常是一列数据）的均值和标准差，然后所有元素先减去均值，再除以标准差，结果就是归一化后的数据了。经标准差归一化后，数据集整体将会平移到以0点中心的位置上，同时会被缩放到标准差为1的区间内。要注意的是数据集的标准差变为1，并不意味着所有的数据都会被缩放到[-1,1]之间，下文有示例为证。
使用sklearn进行对数据标准化、归一化以及将数据还原的方法
12-25
在对模型训练时，为了让模型尽快收敛，一件常做的事情就是对数据进行预处理。 这里通过使用sklearn.preprocess模块进行处理。 一、标准化和归一化的区别 归一化其实就是标准化的一种方式，只不过归一化是将数据映射到了[0,1]这个区间中。 标准化则是将数据按照比例缩放，使之放到一个特定区间中。标准化后的数据的均值＝0，标准差＝1，因而标准化的数据可正可负。 二、使用sklearn进行标准化和标准化还原 原理： 即先求出全部数据的均值和方差，再进行计算。 最后的结果均值为0，方差是1，从公式就可以看出。 但是当原始数据并不符合高斯分布的话，标准化后的数据效果并不好。 导入模块 fro
sklearn实现归一化
qq_47180202的博客
09-26 1万+
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
层次特征的标准化：sklearn中的高级数据预处理技术
最新发布
2401_85742452的博客
07-30 614
对于特定的分层特征结构，可能需要自定义标准化逻辑。# 将分层数据转换为数值# 计算均值和标准差# 应用Z得分标准化# 假设encode_hierarchical_data是一个将分层数据转换为数值的函数。
sklearn快速入门教程：归一化
Ryan-Yu的博客
08-09 908
。
Sklearn 数据归一化处理
qq_43656233的博客
01-14 7167
利用preprocessing.MinMaxScaler实现数据归一化 MinMaxScaler有一个重要参数，feature_range，控制我们希望把数据压缩到的范围，默认是[0,1]。 pd.DataFrame(data)：将numpy数组展示为表格形式 from sklearn.preprocessing import MinMaxScaler data = [[-1, 2], [-0....
Sklearn标准化和归一化方法汇总(2)：Min-Max归一化
Laurence的技术博客
01-17 5137
Min-Max归一化的算法是：先找出数据集通常是一列数据）的最大值和最小值，然后所有元素先减去最小值，再除以最大值和最小值的差，结果就是归一化后的数据了。经Min-Max归一化后，数据集整体将会平移到[0,1]的区间内，数据分布不变。
标准化和归一化概念澄清与梳理
Laurence的技术博客
01-16 1585
由于翻译和命名上的歧义性以及各种误传误用，特征缩放领域里的术语和概念非常混乱，包括：标准化、正规化、正则化、归一化、Standardization、Normalization在内的这些概念既有关联又有差异，再加上它们的原始出处已基本都不可考，所以被大量混用和滥用，在一些劣质文章中会经常看到张冠李戴或相互矛盾的说法。本文我们会尽量结合字面含义和多数资料的描述，对这些概念做一轮梳理。
fanshu.rar_二维范数计算_范数归一化
07-14
用于求解二维范数，并给出范例，但求解前需要归一化
数据归一化和其在sklearn中的处理
weixin_34025051的博客
09-01 1450
打开微信扫一扫，关注微信公众号【数据与算法联盟】 转载请注明出处：http://blog.csdn.net/gamer_gyt 博主微博：http://weibo.com/234654758 Github：https://github.com/thinkgamer 一：数据归一化 数据归一化（标准化）处理是数据挖...
范数、归一化、正则化
MilkLeong的博客
02-25 425
最近刚接触机器学习，很多概念都不是很懂，找到几篇文章，记在这里，以后再看 范数、正则化、归一化、标准化 知乎上的高赞回答
【数据预处理】sklearn实现数据预处理（归一化、标准化）
在热爱技术的路上一直前行。
05-16 6697
1. 为什么需要归一化/标准化？ 原因： 特征的单位或者大小相差较大，或者某特征的方差相比其他的特征要大出几个数量级，容易影响（支配）目标结果，使得一些算法无法学习到其他的特征，即无量纲化。 2. 归一化 2.1 定义 通过对原始数据进行变换把数据映射到(默认为[0,1])之间 2.2 公式 作用于每一列，max为一列的最大值，min为一列的最小值,那么X’’为最终结果，mx，mi分别为指定区间值默认mx为1,mi为0 2.3 sklearn中的Minmax归一化API sklearn.prepro
sklearn实现数据标准化（Standardization）和归一化（Normalization）
asddoa的博客
02-04 2358
sklearn的标准化过程，即包括Z-Score标准化，也包括0-1标准化，并且即可以通过实用函数来进行标准化处理，同时也可以利用评估器来执行标准化过程。
TensorFlow笔记（5）--全面了解机器学习包SciKit-learn
Techblog of HaoWANG
07-04 482
官网传送门：https://scikit-learn.org/stable/index.html 一、简介 今天为大家介绍的是scikit-learn。sklearn是一个Python第三方提供的非常强力的机器学习库，它包含了从数据预处理到训练模型的各个方面。在实战使用scikit-learn中可以极大的节省我们编写代码的时间以及减少我们的代码量，使我们有更多的精力去分析数据分布，...
sklearn数据预处理（三）归一化
qq_44745905的博客
11-05 2488
@R星校长 第3关：归一化 任务描述 本关任务：利用sklearn对数据进行归一化。 相关知识 为了完成本关任务，你需要掌握：1.为什么使用归一化，2.L1范式归一化，3.L2范式归一化。 为什么使用归一化 归一化是缩放单个样本以具有单位范数的过程。归一化实质是一种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成“失效”，反而能提高数据的表现，这些性质是归一化的前提。归一化能够加快模型训练速度，统一特征量纲，避免数值太大。 值得注意的是，归一化是对每一个样本做转换，所以是对数据的每一.
使用sklearn进行对数据标准化、归一化以及将数据还原
热门推荐
敲代码的quant的博客
03-22 7万+
在对模型训练时，为了让模型尽快收敛，一件常做的事情就是对数据进行预处理。这里通过使用sklearn.preprocess模块进行处理。一、标准化和归一化的区别归一化其实就是标准化的一种方式，只不过归一化是将数据映射到了[0,1]这个区间中。标准化则是将数据按照比例缩放，使之放到一个特定区间中。标准化后的数据的均值＝0，标准差＝1，因而标准化的数据可正可负。二、使用sklearn进行标准化和标准化还...
l1和l2范式归一化的解释与比较
u014020707的博客
06-28 203
L1范数归一化和L2范数归一化是常见的向量归一化方法，它们在计算方式和效果上有一些区别和特点。
sklearn方法的归一化处理
soga235的博客
12-29 1128
泰坦尼克号数据中： 后面7列的数据特征特区以及进行归一化处理。 Feature的提取： ndarray_data=selected_df_data.values #转换为数组方法 Features = ndarray_data[:,1:] #提取特征,除名字外 print(Features) Feature的归一化处理： from sklearn import preprocessing minmax_scale =preprocessing.MinMaxScaler(featu...
L1范数归一化和L2范数归一化有什么区别？
05-12
L1范数归一化和L2范数归一化是机器学习中常用的两种正则化方法，它们的区别主要在于使用的范数不同。L1范数使用的是绝对值相加，而L2范数使用的是欧几里德距离之和，即样本和标签之差的平方和[^1]。 对于L1范数归一化，它会将样本向量中每个特征的权重除以样本向量中所有特征的权重之和的绝对值，从而使得每个特征对应的权重之和为1。而L2范数归一化则会将样本向量中每个特征的权重除以样本向量中所有特征的权重之和的平方和的开方，从而使得每个特征对应的权重之和的平方和为1。 因此，L1范数归一化更容易使得特征的权重变为0，因为它使用的是绝对值相加，而L2范数归一化则会使得特征的权重相对较小但不会为0。在特征选择及稀疏性的问题中，L1范数归一化比较适用，而在需要避免过拟合问题时，L2范数归一化比较适用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Laurence　

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值