三种数据标准化方法的对比：StandardScaler、MinMaxScaler、RobustScaler

最新推荐文章于 2025-03-29 09:11:43 发布
最新推荐文章于 2025-03-29 09:11:43 发布
阅读量2.5w 收藏 179
点赞数 29
文章标签： python 机器学习 数据分析
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_47478595/article/details/106402843
版权
数据标准化是提升模型精度和加速收敛的关键步骤。本文对比了三种常用方法：StandardScaler（标准差标准化，适用于正态分布数据），MinMaxScaler（极差标准化，适用于分布范围稳定的数据）和RobustScaler（稳健标准化，适用于异常值较多的数据）。StandardScaler通过减去均值除以标准差实现；MinMaxScaler利用最大最小值将数据转换到0-1区间；RobustScaler则基于中位数和四分位距，对异常值不敏感。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、数据标准化 / 归一化的作用

  • 提升模型精度：标准化 / 归一化使不同维度的特征在数值上更具比较性，提高分类器的准确性。
  • 提升收敛速度：对于线性模型，数据归一化使梯度下降过程更加平缓，更易正确的收敛到最优解。

二、标准差标准化 StandardScaler

from sklearn.preprocessing import StandardScaler

使用均值与方差，对服从正态分布的数据处理，得到符合标准正态分布的数据

  • 处理方法：标准化数据减去均值，然后除以标准差，经过处理后数据符合标准正态分布，即均值为0，标准差为1；
  • 转化函数：x = (x-mean) / std；
  • 适用性：适用于本身服从正态分布的数据；
  • Outlier 的影响：基本可用于有outlier的情况，但在计算方差和均值时outliers仍然会影响计算。

参数包括：with_mean, with_std, copy

  • with_mean：布尔型，默认为 True，表示在缩放前将数据居中，当尝试在稀疏矩阵上时，这不起作用(并且会引发异常)，因为将它们居中需要构建一个密集矩阵，在常见的用例中，该矩阵可能太大而无法容纳在内存中；
  • with_std：布尔型，默认为True，表示将数据换算成单位方
最低0.47元/天 解锁文章
Ancky_W
关注
机器学习 | 简单但是能提升模型效果的特征标准化方法（RobustScaler、MinMaxScaler、StandardScaler 比较和解析）
叶庭云 成为自己的光
07-02 1955
简单但是能提升模型效果的特征标准化方法（RobustScaler、MinMaxScaler、StandardScaler 比较和解析）
数据标准化
风言风语
06-13 7520
特征缩放(Feature scaling)也称为数据的标准化(normalization)，是将数据按比例缩放，使之落入一个特定区间。不同数据往往具有不同的量纲，会影响到数据分析的结果，为了消除数据之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
【漫话机器学习系列】168.最大最小值缩放（Min-Max Scaling）
最新发布
IT古董
03-29 991
在机器学习和数据预处理中，特征缩放（Feature Scaling） 是一个至关重要的步骤，它可以使模型更稳定，提高训练速度，并优化收敛效果。最大最小值缩放（Min-Max Scaling） 是其中最常见的方法之一，它可以将特征值变换到一个固定范围（通常是 [0,1]）。本文将详细介绍 Min-Max Scaling 的数学公式、适用场景、优缺点以及如何在 Python 中实现它。
图解Python数据标准化+效果比较
ArYe
07-15 1万+
零一标准化 零一标准化 import pandas as pd import matplotlib.pyplot as mp d = {'name': list('ABCD'), 'value': [1002, 1000, 1010, 1001]} df = pd.DataFrame(d) # 0-1标准化 value_01 = ( (df['value'] - d...
常用的数据标准化方法
黄飞的博客专栏
06-13 2万+
数据的标准化（normalization）是将数据按照一定规则缩放，使之落入一个小的特定区间。这样去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。其中最典型的就是0-1标准化和Z标准化，当然，也有一些其他的标准化方法，用在不同场景，这里主要介绍几种常用的方法。1、Min-Max标准化(Min-Max normalization)也称离差标准化，是对原始数据的
深度学习中常见的四种数据标准化方法详细解读（StandardScaler、MinMaxScaler、RobustScaler、MaxAbsScaler）
Next_SummerAgain的博客
08-05 3240
最近，本人在优化深度神经网络模型时发现为了减少预测标签值和真实标签值之间差距，不仅仅需提高模型本身的性能，还关乎于标签值标准化、数据集划分、模型超参数等一系列初始设定。其中后两项的实验内容俗称“炼丹”，很多研究人员已经炉火丹青，运筹帷幄，唯独标签值标准化容易被人忽略。一个优秀的标准化方法不仅能提高模型训练的稳定性，加速收敛，还能增强模型测试性能，可谓是中流砥柱。现有模型训练大多默认选用 StandardScaler()，这本没错，但是如果能够参考标签值分布尝试其他方法，并修改为适合的激活函数。
深度学习中几种常见数据标准化方法
Next_SummerAgain的博客
06-09 2105
方法名称缩放范围适用条件均值为0，方差为1数据具有正态分布的情况下效果最佳[0, 1]数据分布不平衡或有明显的上下界限根据四分位数缩放数据包含异常值[-1, 1]数据已经中心化，即没有偏移Normalizer每个样本的范数为1样本之间有显著的差异，需要将其归一化[0,1]或正态分布数据分布不均匀Johnson)均值为0，方差为1数据具有正态分布或接近正态分布非负数据的对数缩放数据必须为正值或非负值：适用于数据本身的分布近似正态分布。
python数据预处理之数据标准化的几种处理方式
09-19
Python数据预处理是数据分析流程中的关键步骤，其中数据标准化是一个重要的环节。标准化是将不同尺度、单位或分布形态的数据转化为...通过对比标准化后的数据，可以直观地看到各种方法的效果，有助于选择最适合的方法。
StandardScaler和Normalizer和MinMaxScaler使用情况
pdn的博客
08-22 2589
#数据标准化 #StandardScaler (基于特征矩阵的列，将属性值转换至服从正态分布) #标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下 #常用与基于正态分布的算法，比如回归 #数据归一化 #MinMaxScaler （区间缩放，基于最大最小值，将数据转换到0,1区间上的） #提升模型收敛速度，提升模型精度。因为以前在描述梯度下降的时候，如果...
Sklearn数据预处理：scale, StandardScaler, MinMaxScaler, Normalizer
u013402321的博客
01-12 2万+
一、标准化去除均值和方差缩放：通过(X-X_mean)/std计算每个属性(每列)，进而使所有数据聚集在0附近，方差为1.(1)、sklearn.preprocessing.scale() 直接将给定数据进行标准化from sklearn import preprocessing import numpy as np X = np.array([[ 1., -1., 2.],[ 2., 0.,
【Preprocessing数据预处理】之Scaler
Hyman Qiu
03-12 477
本人就职海外从事人工智能领域开发设计。 希望花时间总结下流行的机器学习算法，数据预处理是算法成功的重要因素。
Scikit-learn 数据预处理之标准化StandardScaler
数据科学汇集
01-12 1832
Scikit-learn 数据预处理之标准化 1 声明 本文的数据来自网络，部分代码也有所参照，这里做了注释和延伸，旨在技术交流，如有冒犯之处请联系博主及时处理。 2 Scikit-learn Scaler简介 StandardScaler当数据(x)按均值(μ)中心化后，再按标准差(σ)缩放，数据就会服从为均值为0，方差为1的标准正态分布，该过程叫数据标准化(Standardization，又称Z-score normali...
标准差（standard deviation）
nebula1008的博客
01-07 1977
使用z-score标准化时，需要先减去均值再除标准差。 瞬间我就想不起标准差的定义和作用。就回顾了一下。顺便记记。 标准差是衡量样本偏离中心程度的一种特征值。 怎么衡量？直观想法，看每个样本离均值有多远，为了避免正负抵消，就把每次作差的结果平方一下，最后累加起来。这样还有缺点，你样本数越多，加起来的偏差值肯定越大，有时候个数多的集中分布的样本反而得到偏大的结果，这样肯定不行，为了去除样本个数的影响，把样本数也除掉。 每个样本与均值差的平方累加再除样本和，单位上还是有点说不通。因此开根号。 （有偏估计的原因，
参数的标准化和归一化
weixin_38170561的博客
09-23 1743
参数的标准化与归一化 注：中文资料中从英文文献中学习，提到normalization和standardization时候，往往将其翻译为“标准化”和“归一化”。但是很坑的一点是，由于翻译软件也没有很好的区分两者，所以几乎所有人都将两者混为一谈，甚至A文章对于“标准化”和“归一化”翻译的对应和B文章是完全相反的。所以为了以后不发生鸡同鸭讲的问题，本文不再使用这两个词的中文翻译。其实这两个词...
参数标准化 | 机器学习
weixin_44194101的博客
04-21 911
1. 问题 机器学习的各个参数，也叫feather，可谓千差万别。在正式建模之前，需要把这些参数标准化(Normalization)。具体情况是怎样的呢？ 2. 分析 还是那之前提到的房价案例为例。简单举例，影响房价的参数可能有房价大小，以平方米记，例如从50~200平方米；还有里面的房间数量，比如一室一厅就记为2，三室两厅就记为5。 显然，房间数量和平米数有数量级的差异。140平米的房子，房间...
期望、方差、标准差、标准化、归一化
热门推荐
bohu83的博客
06-25 3万+
序 我在看关于KNN的算法介绍里面的时候，提到欧氏距离的时候，说它的缺点的时候，提到了方差，提到了归一化、标准化。如果你也没明白，希望通过本文能理解这个含义。我对上来就直接贴一个数学公式感到头大。 一 期望值 这都是概率论的知识点，不是数学专业，所以侧重于理解，没有公理来证明。目的为了把抽象的概念转换为集合、数字、函数等已知的数学概念，便于理解问题。 一些基础的概念如：样本空间Ω、事件...
参数化的 4 种方式用法总结
大田的博客
08-16 4051
i、所有线程：该 CSV 数据文件设置读取出来的数据，对所有线程共享，包括跨线程组的线程（如果 CSV 文件放在某个线程组下，那么仅对该线程组生效）（6）是否允许带引号：False 是将数据文件中的值原封不动的传到变量中， True 是去掉数据文件中的数据引号，把去掉双引号的数据传到变量中。ii、当前线程：该 CSV 文件只对当前线程组生效，每个线程组单独使用 CSV 数据，作用就是当你每个线程都重复使用相同文件数据进行测试。作用：想用不同的线程（用户）完成不同的操作时，小规模的并发测试时就可以使用。...
三种常用的数据标准化方法
01-07
### 常见的三种数据标准化方法 #### 1. Z-Score 标准化 (StandardScaler) Z-Score 方法通过减去均值并除以标准差来调整数值，使变换后的数据具有零均值和单位方差。这种方法适用于大多数机器学习算法。 ```python...
评论 1
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