机器学习-归一化与标准化对比

归一化

1.定义

通过对原始数据进行变换把数据映射到（默认为[0,1]之间）

2.公式

具体理解

对于特征1来说，min=60,max=90。右表格只显示了第一步，还需要第二步乘以（1-0）再加上0

 3.代码

import pandas as pd
from sklearn.preprocessing import MinMaxScaler,StandardScaler

data=pd.read_csv('E:\学习\iris.csv')
#获取前三列
data=data.iloc[:,:3]
#实例化一个转换器类
#归一化处理
transfer=MinMaxScaler()#默认范围为[0,1] 可自定义
# transfer=MinMaxScaler(feature_range=(1,3))#默认范围为[0,1] 可自定义
#调用fit_transform
data_new=transfer.fit_transform(data)
print(data)
print(data_new)

 若数据存在异常值，一旦最大值或者最小值是异常值的话，结果会有较大的误差，故鲁棒性较差，只适用于传统精确小数据场景。采用标准化进行改进

标准化

1.定义

通过对原始数据进行变换，把数据变换到均值为0，标准差为1的范围内

2.公式

3.代码

import pandas as pd
from sklearn.preprocessing import MinMaxScaler,StandardScaler

data=pd.read_csv('E:\学习\iris.csv')
#获取前三列
data=data.iloc[:,:3]
#实例化一个转换器类
# #标准化处理
transfer=StandardScaler()#默认范围为[0,1] 可自定义
#调用fit_transform
data_new=transfer.fit_transform(data)
print(data)
print(data_new)

&对于归一化来说：如果出现了异常点，影响了最大最小值，那么结果显然会发生改变

&对于标准化来说：如果出现了异常，由于具有一定数据量，少量的异常点对于平均值的影响并不大，从而方差改变较小