qq_43105807的博客

范数基本概念这里不予赘述，L0，L1，L2和无穷范数范数规范化代码如下from sklearn import preprocessingimport numpy as np# 原始数据XX = np.array([[3, -2., 2.], [2., 0., 0.], [-1, 1., 3.]]) # 按行表示，按列计算# 范数规范化的函数化实现，其中规范化系数norm为L2,还有其他形式，诸如L1,maxX_norm=preprocessing.normalize(X,norm='

标准化又称标准差规范化或Z标准化（Z_Score Normalization），对样本每个特征分别进行计算使其满足正态分布--均值0、标准差1，# 引用相应的库，numpy用于生成缺失值，引用sklearn.processing库，其中包含绝大部分的数据与处理方法from sklearn import preprocessingimport numpy as np# 原始数据XX=np.array([[3,-2.,2.],[2.,0.,0.],[1,2.,3.]])# 初始化数据预处理器，用

Min-Max scaling将该样本每个特征下的最大值与最小值之差作为缩放倍数，每个特征下没有任何一个数会超过其最值之差，所以作为分母；分子是每个特征下的值与最小值之差。全为0的特征，缩放后值为0.代码表现如下：# 引用相应的库，numpy用于生成缺失值，引用sklearn.processing库，其中包含绝大部分数据与处理方法from sklearn import preprocessingimport numpy as np# 原始数据XX = np.array([[3, -2., 2

机器学习从入门到入职--用sklearn与Keras搭建人工智能模型第四章4.1根据样本之间关联关系，及数据的行和列，用SimpleImputer方法进行缺失值处理，策略有均值插补、中位数插补和高频数插补。例子如下：#引用相应的库，numpy用于生成缺失值，sklearn.impute库中的simpleimputer方法用预处理缺失值import Numpy as npfrom sklearn.impute import SimpleImputer#初始化缺失值处理器，指定缺失值参数miss