无量纲化

参考博客:https://www.zhihu.com/question/29316149
1,无量纲化使不同规格的数据转换到同一规格。
2,常见的无量纲化方法有标准化和区间缩放法。

2.1**标准化**的前提是特征值服从正态分布，标准化后，其转换成标准正态分布。
　　标准化需要计算特征的均值和标准差，即正态分布标准化,公式表达为：
　　
　　使用preproccessing库的StandardScaler类对数据进行标准化的代码如下：

from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler

#导入IRIS数据集
iris = load_iris()

#特征矩阵
iris.data

#目标向量
iris.target

#标准化，返回值为标准化后的数据
StandardScaler().fit_transform(iris.data)

　　
2.2,区间缩放法利用了边界值信息，将特征的取值区间缩放到某个特点的范围，例如[0, 1]等。
区间缩放法的思路有多种，常见的一种为利用两个最值进行缩放，公式表达为：

　　使用preproccessing库的MinMaxScaler类对数据进行区间缩放的代码如下：
　　

from sklearn.preprocessing import MinMaxScaler

#区间缩放，返回值为缩放到[0, 1]区间的数据
MinMaxScaler().fit_transform(iris.data)

3, 标准化与归一化的区别(这里的归一化与大众归一化描述有区别,注意辩证的去理解)
简单来说，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。归一化是依照特征矩阵的行处理数据，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，也就是说都转化为“单位向量”。规则为l2的归一化公式如下：

使用preproccessing库的Normalizer类对数据进行归一化的代码如下：

from sklearn.preprocessing import Normalizer

#归一化，返回值为归一化后的数据
Normalizer().fit_transform(iris.data)