1、预处理方法
1.1 StandardScaler
StandardScaler方法的原理是将所有数据的特征值转换为均值为0,方差为1的状态,也就是标准正态分布。这样可以确保数据的“大小”是一致的,更有利于模型的训练。
使用方法如下:
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.preprocessing import StandardScaler
#创造数据
X,y = make_blobs(n_samples=40,centers=2,random_state=50,cluster_std=2)
scaler = StandardScaler()
X_scalered = scaler.fit_transform(X)
#作图
plt.scatter(X_scalered[:,0],X_scalered[:,1],c=y,cmap=plt.cm.cool)
plt.title("StandardScaler")
plt.show()
运行结果如下:
从上图可以看到所有的数据的特征值1的值都在-2到3之间,而特征值2的值都在-3到2之间了。
1.2MinMaxScaler
MinMaxScaler对数据的缩放主要在于将所有数据的特征值都转换到0到1之间。可以想象成将数据都压进了一个长和宽都