机器学习 -- KNN算法（十一 数据归一化）

最新推荐文章于 2023-02-17 18:55:29 发布
VIP文章 最新推荐文章于 2023-02-17 18:55:29 发布
阅读量2.7k 收藏 10
点赞数 2
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_38056893/article/details/102990296
版权

一. 为什么需要数据归一化？

假设有如下数据，当我们在计算距离的时候会发现样本间的距离被发现时间所主导，此时就需要进行数据的归一化操作。

 

二. 归一化：将所有数据映射到同一尺度。

1. 最值归一化：将所有数据映射到0到1之间。

（1）适用场景：适用于分布有明显边界的情况；受outlier影响较大。

（2）计算公式：

x_{scale} = \frac{x - x_{min}}{x_{max} - x_{min}}

2. 均值方差归一化（standardization）：把所有数据归一到均值为0方差为1的分布中。

（1）使用场景：数据分布没有明显的边界；有可能存在极端值。

（2）计算公式：

最低0.47元/天 解锁文章
m0_38056893
关注
  • 2
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于MATLAB的KNN算法实现多分类.rar
09-16
对4组不同的信号分别采集20组，总共80组，然后经过特征提取(特征数量为8个)，得到80x8的矩阵。 划分数据集：将64组数据作为训练数据，16组数据作为测试数据，4类信号在训练集和测试集的数量比例相同，将训练集和测试集整体归一化，再分别作为KNN的输入。 源程序是利用KNN算法对训练集和测试集整体归一化后的测试数据进行分类，得到分类准确率。
【PyTorch】KNN实战之MNIST数据分类与归一化处理
少年白马
03-16 4541
KNN的算法实现 首先创建演示数据集 import numpy as np import matplotlib.pyplot as plt # 给出训练数据以及对应的类别 def createDataSet(): group = np.array([[1.0, 2.0], [1.2, 0.1], [0.1, 1.4], [0.3, 3.5], [1.1, 1.0], [0.5, 1.5]]) labels = np.array(['A', 'A', 'B', 'B', 'A', 'B'
海伦约会预测KNN算法实现
04-17
使用KNN算法实现海伦约会预测，做了数据的可视化，数据的归一化，内含数据集还有源代码
机器学习—K-近邻算法[入门]
12-22
k-近邻算法（k-Nearest Neighbour algorithm），又称为KNN算法，是数据挖掘技术中原理最简单的算法。 KNN的工作原理：给定一个已知标签类别的训练数据集，输入没有标签的新数据后，在训练数据集中找到与新数据最邻 近的k个实例，如果这k个实例的多数属于某个类别，那么新数据就属于这个类别。可以简单理解为：由那些离X最 近的k个点来投票决定X归为哪一类。 k-近邻算法步骤：      1.计算已知类别数据集中的点与当前点之间的距离      2.按照距离递增次序排序      3.选取与当前点距离最小的k个点      4.确定前k个点所在类别的出现频率      5.返回
基于机器学习的可视化学习平台.zip
02-27
基于机器学习的可视化学习平台.zip 实现机器学习基本算法 其中包括：KNN、ID3、C4.5、SVM、朴素贝叶斯、Kmeans 除此之外，还有基本的数据处理如标准化、归一化、分箱等操作 采用Django框架进行网页端节点拖拽实现各个算法 前端使用JSplumb.js实现拖动，使用Ajax.js实现数据传输
KNN， 数据归一化
无境
11-21 2246
KNN - K近邻算法 K-Nearest Neighbors 特点 思想极度简单 应用数学知识少 效果好（缺点？） 可以解释机器学习算法使用过程中的很多问题 更完整的刻画机器学习应用的流程 K近邻算法 取一个k值，假设k=3， 根据一个点A的位置，计算距离这个点最近的3（k）个点的的类型。来进行投票产生A的类型 计算距离： KNN的过程 import numpy as np from ...
机器学习之K近邻(K-NN)算法 (一)
guowei_huai的博客
05-26 818
前言   kNN(k -Nearest Neighbours)算法是非常简单易懂的算法，它的适用范围很广，并且在样本量足够大的情况下获得很好的模型效果。它是一种用于分类和回归的非参数统计方法。   knn算法的理论和实战将会分为三个部分进行讲解，这是第一部分。 本部分具体内容如下： 讲解K-NN算法的基本概念、原理 k的选取、特征归一化 一、 k近邻算法的基础 参考维基百科，我们给出以下解释： 在k-NN分类中，输出是一个分类族群。一个对象的分类是由其邻居的"多数表决"确定的，k个最近邻中最多的分类决
机器学习实战1.3--KNN之归一化数值
beautiful77moon的博客
08-06 578
当根据数据集中提供的数据计算样本之间的距离时，可以使用欧式距离公式，例如： 很容易发现，上面方程中数字差值最大的属性对计算结果的影响最大。但是如果这三种特征同等重要，就需要对原始数据进行改进。 在处理这种不同取值范围的特征值时，我们通常采用的方法是将数值归一化，如将取值范围处理为0 - 1或-1 - 1之间。下面的公式可以将任意取值范围的特征值转化为0-1区间内的值： newValue=...
机器学习-kNN-数据归一化
taoke的博客
06-07 3382
机器学习-kNN-数据归一化 一、为什么需要数据归一化 　　不同数据之间因为单位不同，导致数值差距十分大，容易导致预测结果被某项数据主导，所以需要进行数据的归一化。 　　解决方案：将所有数据映射到同一尺度 二、最值归一化 normalization 　　最值归一化：把所有数据映射到0-1之间 　　 　　适用于分布有明显边界的情况；受ou...
KNN算法数据归一化处理（持续更新中）
Ifordzhang的博客
05-07 1443
数据归一化处理 公式：（每个值-最小值）/（最大值-最小值） 数据归一化处理，不会改变数据原有的分布情况 模拟的数据集 data = [[-1,201],[-0.5,189],[0,199],[1,187],[1,200],[2,196]] data = pd.DataFrame(data) data 手动处理 以其中一列为例（具体根据业务场景） data[1] =(data[1]-data[1].min())/(data[1].max()-data[1].min()) data 使用sk
机器学习之初识KNN算法——针对泰坦尼克号生存记录建模的两种方法
01-20
本篇博客基于《机器学习实战》实现 算法原理简要概括，重在代码实现 k-近邻算法(kNN)的工作原理是：存在一个样本数据集合，称训练样本集，并且样本集中每个数据都存在标签，即样本集中每一数据与所属分类的对应关系...
机器学习实战之k-近邻算法（4）--- 如何归一化数据
chchlh的专栏
11-29 3942
归一化的公式： newValue = (oldValue - min) / (max - min) 就是把数据归一化到[0, 1]区间上。 好处： 防止某一维度的数据的数值大小对距离就算产生影响。多个维度的特征是等权重的，所以不能被数值大小影响。 下面是归一化特征值的代码： #归一化特征值 def autoNorm(dataSet): minVals = dataSet.min
机器学习-01-KNN
Xiao__fly的博客
05-01 1571
KNN
K-近邻算法（KNN）
m0_37683606的博客
09-17 1313
一文搞定k-近邻算法一. k-邻近算法的基本概念二. k-邻近算法中k的选取以及特征归一化的重要性 一. k-邻近算法的基本概念 k-邻近算法是一种基本的分类和回归方法。本章只讨论k-邻近算法在分类问题中的应用。 k-邻近算法，即给定一个训练集，对新输入的实例，在训练数据集中找到与该实例最邻近的k个实例，然在这k个实例中，看看那个类别包含的实例比较多，则这个测试集就属于哪一个类别。 如上图所示，有两类不同的样本数据，分别用蓝色的小正方形和红色的三角形来表示。当确定一个k后，也就是确定一个距离，在这个距离范
【深度学习/机器学习】为什么要归一化？归一化方法详解
Danger的博客
02-17 7477
【深度学习/机器学习】为什么要归一化？归一化方法详解
sklearn笔记12 KNN数据归一化操作
weixin_44632711的博客
11-01 371
完整代码 sklearn8 6-KNN癌症诊断(3) 归一化的操作 X.head() 哪个数值更大，哪个数值越重要 # 归一化操作 X_norm1 = (X-X.min())/(X.max()-X.min()) X_norm1.head() X_train,X_test,y_train,y_test = train_test_split(X_norm1,y,test_size = 0.2) knn = KNeighborsClassifier() params = {'n_neighbors':
Python机器学习--KNN归一化、距离的惩罚
weixin_48678602的博客
09-23 803
1. 归一化 1.1 距离类模型归一化的需求 什么是归一化呢?我们把X放到数据框中来看一一眼， 你是否观察到，每个特征的均值差异很大?有的特征数值很大。有的特征数值很小，这种现象在机器学习中被称为"星纲不统一"。 NN是距离类模型,欧氏距离的计算公式中存在若特征上的平方和: 试想看看，如果某个特征x的取值非常大，其他特征的取值和它比起来都不算什么，那距离的大小很大程度上都会由这个巨大特征x来决定，其他的特征之间的距离可能就无法对d(A,B) 的大小产生什么影响了，这种现象会让KNN这样的距离类模型的效果大
机器学习——KNN
DCGJ666的博客
04-25 1038
机器学习——KNNKNN的优缺点KNN概述KNN的K值怎么选KNN数据需要归一化吗？KNN三要素欧式距离与曼哈顿距离区别KNN的k设置过大会有什么问题 KNN的优缺点 优点： 简单易用，相比其他算法，KNN算式比较简洁明了的算法 模型训练速度快 预测效果好 对异常值不敏感 缺点： 对内存要求较高，因为该算法存储了所有训练数据 预测阶段可能很慢 对不相关的功能和数据规模敏感 对数据量纲敏感，所以数据要先归一化 KNN概述 KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，KNN的
KNN算法的数据归一化--Feature Scaling
qq_33531400的博客
10-30 1810
如图1所示，假设现在有两个样本，分别拥有两个特征，如下：   肿瘤的大小（厘米）的 发现时间（天） 样本1 1 200 样本2 五 100 计算两个样本之间的欧拉距离： D =  ，这个计算结果很明显是被时间主导的。 所以，将时间以年为单位，那么两个样本之间的欧拉距离就是： D =  ，这个计算结果又很明显的是被肿瘤大小主导的。 根据这个问...
机器学习归一化需要归一化哪些数据
最新发布
04-25
机器学习中的归一化通常需要对特征数据...在某些机器学习算法中，如KNN算法，归一化可以提高分类器的精度[^1]。此外，在某些情况下，归一化还可以避免某些特征对模型的影响过大，从而提高模型的稳定性和泛化能力[^2]。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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