https://www.cnblogs.com/wangleBlogs/p/9569447.html
sklearn中常用数据预处理方法
1. 标准化(Standardization or Mean Removal and Variance Scaling)
变换后各维特征有0均值,单位方差。也叫z-score规范化(零均值规范化)。计算方式是将特征值减去均值,除以标准差。
1 |
|
一般会把train和test集放在一起做标准化,或者在train集上做标准化后,用同样的标准化器去标准化test集,此时可以用scaler
1 scaler = sklearn.preprocessing.StandardScaler().fit(train)
2 scaler.transform(train)
3 scaler.transform(test)
实际应用中,需要做特征标准化的常见情景:SVM
2. 最小-最大规范化
最小-最大规范化对原始数据进行线性变换,变换到[0,1]区间(也可以是其他固定最小最大值的区间)
1 min_max_scaler = sklearn.preprocessing.MinMaxScaler()
2 min_max_scaler.fit_transform(X_train)
3.规范化(Normalization)
规范化是将不同变化范围的值映射到相同的固定范围,常见的是[0,1],此时也称为归一化。《机器学习》周志华
将每个样本变换成unit norm。
1 X = [[ 1, -1, 2],[ 2, 0, 0], [ 0, 1, -1]]
2 sklearn.preprocessing.normalize(X, norm='l2')
得到
1 array([[ 0.40, -0.40, 0.81], [ 1, 0, 0], [ 0, 0.70, -0.70]])
可以发现对于每一个样本都有,0.4^2+0.4^2+0.81^2=1,这就是L2 norm,变换后每个样本的各维特征的平方和为1。类似地,L1 norm则是变换后每个样本的各维特征的绝对值和为1。还有max norm,则是将每个样本的各维特征除以该样本各维特征的最大值。
在度量样本之间相似性时,如果使用的是二次型kernel,需要做Normalization
4. 特征二值化(Binarization)
给定阈值,将特征转换为0/1
1 binarizer = sklearn.preprocessing.Binarizer(threshold=1.1)
2 binarizer.transform(X)