StandardScaler(sklearn)机器学习中的归一化

StandardScaler(sklearn)参数详解

为什么要归一化

• 归一化后加快了梯度下降求最优解的速度：

  如果机器学习模型使用梯度下降法求最优解时，归一化往往非常有必要，否则很难收敛甚至不能收敛。

• 归一化有可能提高精度：

  一些分类器需要计算样本之间的距离（如欧氏距离），例如KNN。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）。

from sklearn.preprocessing import StandardScaler
import numpy as np

StandardScaler()
标准化数据，保证每个维度数据方差为1.均值为0。使得据测结果不会被某些维度过大的特征值而主导。
$$x^{\ast }=\frac{x-\mu }{\sigma }$$

• fit

  用于计算训练数据的均值和方差， 后面就会用均值和方差来转换训练数据

• transform

  很显然，它只是进行转换，只是把训练数据转换成标准的正态分布

• fit_transform

  不仅计算训练数据的均值和方差，还会基于计算出来的均值和方差来转换训练数据，从而把数据转换成标准的正态分布

    np.random<