Udacity机器学习入门——特征缩放

Chirs体重+身高=146.1 

Caneron体重+身高=180.9 

Serah 体重+身高=120.2                  

从数据上看Chirs与S数值更接近，应该穿S大小衣服，但是由于体重和身高的度量标准差异（一个是个位数，一个是百位数）导致体重占据了主导位置，此时就用到特征缩放，使这些特征跨越的范围有可比性，通常是在0和1之间（包含0、1）

特征缩放的一个优点是预估输出相对稳定，缺点是当有异常值时，max或min可能会是极端值

通过特征缩放Chirs的体重特征 值缩放为0.417

编写代码计算特征缩放值

def featureScaling(arr):
    scaler_list=[]
    if max(arr)==min(arr):
        for i in range(0,len(arr)):
             scaler_list.append(0.5)
        return scaler_list
    else:
        for i in range(0,len(arr)):
            scaler =(float)(arr[i]-min(arr))  / ( max(arr)-min(arr))
            scaler_list.append(scaler)
        return scaler_list

# tests of your feature scaler--line below is input data
data = [115, 140, 175]
print featureScaling(data)

实际上在sklearn中有代码能够实现：

>>>from sklearn.preprocessing import MinMaxScaler
>>>import numpy
>>>weights