1、(0,1)标准化:
from sklearn.preprocessing import MinMaxScaler
这是最简单也是最容易想到的方法,通过遍历feature vector里的每一个列数据,将Max和Min的记录下来,并通过Max-Min作为基数(即Min=0,Max=1)进行数据的归一化处理:
def MaxMinNormalization(x,Max,Min):
x = (x - Min) / (Max - Min);
return x;
'''
sklearn 包就是这么处理的,输入必须是二维数组,每个尺度是纵向分的,
举个例子X_train为(2,3)矩阵,Min为第一列的最小值,第二列的最小值,第三列的最小值
Max 为第一列的最大值,为第一列的最大值,第二列的最大值
下面的例子结果:temp
array([[0., 1., 0.],
[1., 0., 1.]])
scaler.scale_ 为 1/ (Max - Min)
array([0.5 , 0.5 , 0.33333333])
'''
import numpy as np
from sklearn.preprocessing import MinMaxScaler
X_train = np.array([[ 2., 4., 2.],
[4, 2, 5]
])
scal