量纲的特征缩放

量纲的特征缩放

1 标椎化缩放法

$$x=\frac{x-\overline{X}}{S}$$

1.1 对简单实例二维矩阵的列数据

from sklearn import preprocessing
import numpy as np

采用numpy的array表示，因为要用到其mean等函数，而list没有这些函数

X = np.array([[0, 0], 
        [0, 0], 
        [100, 1], 
        [1, 1]])
X

计算平均数

X_mean = X.mean(axis=0)
X_mean

计算方差

X_std = X.std(axis=0)
X_std

标椎化 X

X_1 = (X - X_mean) / (X_std)
X_1

使用sklean.preprocessing.scale函数

X_scale = preprocessing.scale(X)
X_scale

1.2 对iris数据二维矩阵的列数据进行

from sklearn import datasets

iris = datasets.load_iris()
iris.data

X_scale = preprocessing.scale(iris.data)
X_scale

2 区间缩放法

$$x=\frac{x-\overline{X}}{S}$$

2.1 对简单实例二维矩阵的列数据进行

max_, min_ = feature_range=(0, 1)
max_, min_

X_scaled = ((X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))) * (max_ - min_) + min_
X_scaled

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
scaler

scaler.fit(X)

scaler.transform(X)

2.2 对iris数据二维矩阵的列数据进行

scaler.fit(iris.data)

scaler.transform(iris.data)