StandardScaler/MinMaxScaler/Normalizer之间的区别

最新推荐文章于 2024-08-05 11:28:49 发布
最新推荐文章于 2024-08-05 11:28:49 发布
阅读量8.3k 收藏 34
点赞数 7
分类专栏： 学习 机器学习 文章标签： 机器学习数据前处理
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/u010471284/article/details/97627441
版权

最近在做机器学习的项目，用到了MinMaxScaler，在此复习一下StandardScaler/MinMaxScaler/Normalizer之间的区别。

一、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

二、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
常见用于神经网络

三、Normalizer （基于矩阵的行，将样本向量转换为单位向量）
其目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准
常见用于文本分类和聚类、logistic回归中也会使用，有效防止过拟合

marscep
关注
专栏目录
特征工程之MinMaxScaler、StandardScaler、Normalizer、Binarizer
data+scenario+science+insight
06-04 485
特征工程之MinMaxScaler、StandardScaler、Normalizer、Binarizer 目录 特征工程之MinMaxScaler、StandardScaler、Normalizer、Binarizer 最小最大缩放(preprocessing.MinMaxScaler) 标准化(preprocessing.StandardScaler) 范数化(preprocessing.Normalizer) 二值化(preprocessing.Binarizer) 最小最大缩放(pre
浅谈sklearn中的数据预处理
⚡
06-12 572
sklearn中的数据预处理
重温归一化(MinMaxScaler)和标准化(StandardScaler)
Miracle8070
12-30 2万+
最近做一个时空序列预测的一个问题，用到了数据归一化和标准化，之前一直想花点时间看一下这俩的区别究竟是啥？ 现在参考了几篇博文，加上自己的一些理解，来具体的总结总结。 数据的归一化是无量纲化，也就是忽略掉特征之间值大小对最后结果带来的影响，而标准化是统一特征的数据分布，忽略掉不同分布的特征对最后结果带来的影响 首先给出sklearn中归一化和标准化的实现方法： from sklearn.prep...
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）
最新发布
Next_SummerAgain的博客
08-05 1094
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。
三种数据标准化方法的对比：StandardScaler、MinMaxScaler、RobustScaler
yimenren的博客
12-22 3781
转自： 三种数据标准化方法的对比：StandardScaler、MinMaxScaler、RobustScaler_m0_47478595的博客-CSDN博客_minmax标准化方法https://blog.csdn.net/m0_47478595/article/details/106402843 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
MinMaxScaler, StandardScaler数据预处理中常用的两种缩放方法，用于将数据标准化或归一化到特定的范围或分布
weixin_41046245的博客
02-06 1857
和是数据预处理中常用的两种缩放方法，用于将数据标准化或归一化到特定的范围或分布。这两种缩放方法的主要区别在于它们的目标和实现方式。
数据无量纲化 学习（1）：三种常用数据缩放方法的对比：StandardScaler、MinMaxScaler、RobustScaler
酒心★
04-03 3082
数据的无量纲化可以是线性的，也可以是非线性的。线性的无量纲化包括中心化（Zero-centered或者Mean-subtract - 缩放到均值为0，方差为1（Standardization——StandardScaler()） - 缩放到0和1之间（Standardization——MinMaxScaler()） - 缩放到-1和1之间（Standardization——MaxAbsScaler()） - 缩放到0和1之间，保留原始数据的分布（Normalization——Normalizer()）
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.,
Python数据预处理(sklearn.preprocessing)—归一化(MinMaxScaler)，标准化(StandardScaler)，正则化(Normalizer, normalize)...
05-17
1. 归一化(MinMaxScaler)：将数据缩放到0到1的范围内。对原始数据进行线性变换，使结果落到[0,1]区间内。 ```python from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() scaled_data = ...
python minmaxscaler_Python数据预处理(sklearn.preprocessing)―归一化(MinMaxScaler)，标准化(StandardScaler)，正则化(Nor...
weixin_35398679的博客
01-28 1667
关于数据预处理的几个概念归一化 (Normalization)： 属性缩放到一个指定的最大和最小值(通常是1-0)之间，这可以通过preprocessing.MinMaxScaler类实现。常用的最小最大规范化方法(x-min(x))/(max(x)-min(x))除了上述介绍的方法之外，另一种常用的方法是将属性缩放到一个指定的最大和最小值(通常是1-0)之间，这可以通过preprocessing...
sklearn.preprocessing里的Normalizer,StandardScaler,MinMaxScaler
qq_43270687的博客
07-24 913
Normalizer正则化 StandardScaler(标准化) z = (x - u) / s MinMaxScaler(区间缩放) (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
归一化MinMaxScaler()、标准化StandardScaler()（特征工程之特征预处理）
qq_27328197的博客
02-16 8573
文章目录前言一、什么是特征预处理？二、特征预处理常用方法：归一化、标准化1.归一化2.标准化总结 前言 提示：这里可以添加本文要记录的大概内容 一、什么是特征预处理？ sklearn官网的解释：The sklearn.preprocessing package provides several common utility functions and transformer classes to change raw feature vectors into a representation that i
sklearn 数据预处理1: StandardScaler
热门推荐
一遍看不懂，我就再看一遍
11-16 9万+
StandardScaler作用：去均值和方差归一化。且是针对每一个特征维度来做的，而不是针对样本。 【注：】 并不是所有的标准化都能给estimator带来好处。 “Standardization of a dataset is a common requirement for many machine learning estimators: they might beha
StandarScaler
小小笛的博客
09-18 1970
数据在前处理的时候，经常会涉及到数据标准化。将现有的数据通过某种关系，映射到某一空间内。常用的标准化方式是,减去平均值，然后通过标准差映射到均至为0的空间内。系统会记录每个输入参数的平均数和标准差，以便数据可以还原。 很多ML的算法要求训练的输入参数的平均值是0并且有相同阶数的方差。 StandardScaler能够轻松的实现上述功能。 定义： sc = StandarScaler(cop...
python MLP 神经网络使用 MinMaxScaler 没有 StandardScaler效果好
djph26741的博客
05-24 209
MLP 64,2 preprocessing.MinMaxScaler().fit(X) test confusion_matrix:[[129293 2734][ 958 23375]] precision recall f1-score support 0...
归一化(MinMaxScaler)、标准化(StandardScaler)、批标准化(BatchNormalization)
lllfor的博客
06-20 1735
一、批量标准化(BN，Batch Normalization) 1、BN 简介 a、协变量偏移问题 我们知道，在统计机器学习中算法中，一个常见的问题是 协变量偏移(Covariate Shift)，协变量可以看作是 输入变量。一般的深度神经网络都要求输入变量在训练数据和测试数据上的分布是相似的，这是通过训练数据获得的模型能够在测试集获得好的效果的一个基本保障。传统的深度神经网络在训练时，随着参数的不算更新，中间每一层输入的数据分布往往会和参数更新之前有较大的差异，导致网络要去不断的适应新的数据分布，进而使得
数据预处理之数据标准化StandardScaler
ThePaK的博客
02-13 7446
机器学习算法实践中，往往需要将不同规格的数据转换到同一规格，或者将不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据“无量纲化”。 在以梯度和矩阵为核心的算法中，譬如逻辑回归、支持向量机、神经网络，无量纲化可以加快求解速度；在距离类模型，譬如K近邻、KMeans聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。特例是决策树和树的集成算法，对决策树不需要无量纲化，决策树可以把任意数据都处理得很好。数据的无量纲化可以是线性的，也可...
评论
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