无监督学习（学习记录）

预处理与缩放

归一化

常用四种预处理：
StandardScaler：去均值和方差归一化。且是针对每一个特征维度来做的，而不是针对样本。
$$ x = \frac{x-μ}{σ} $$

RobustScaler： 针对数据含有较多的异常值使用，去中位数和四分位距的归一化。
$$ x = \frac{x-meian}{IQR} $$

MinMaxScaler：将特征缩放到给定的最小值和最大值之间，或者也可以将每个特征的最大绝对值转换至单位大小。这种方法是对原始数据的线性变换，将数据归一到[0,1]中间。
$$ x = \frac{x-min}{max-min} $$

Normalizer：对每个数据点进行缩放，使得特征向量的欧式长度等于 1。换句话说，它将一个数据点投射到半径为 1 的圆上（对于更高维度来说是球面）。这意味着每个数据点的缩放比例都不相同（乘以其长度的倒数）。如果只有数据的方向（或角度）是重要的，而特征向量的长度无关紧要，那么通常会使用这种归一化。

数据正确缩放处理：当分割训练集和测试集时，缩放器必须以训练集为模型训练。

from sklearn.preprocessing import MinMaxScaler 
 
scaler = MinMaxScaler()
scaler.fit(X_train)
X_train_scaled = scaler.