归一化序列数据

归一化是从原始范围的数据重新缩放,使得所有的值都在0到1的范围之内。规范化要求您指导或能够准确地最小和最大可观测值。您可以从可用的数据中估计这些值。如果您可以从可用的数据中估计这些值。如果您的序列是呈增长趋势的或者下降趋势的,估计这些期望值可能是困难的,并且规范化可能不是解决您问题的最好办法。

如果要缩放的值超过最小值和最大值的边界,则所得到的值的范围不在0到1的范围之内。在进行预测之前,你可以先检查下这些观测值,或者将它们从数据集中删除,或者将它们限制在一个预先定义的最大值或者最小值的范围内。可以使用scikit-learn对象的MinMaxScaler来归一化数据集。使用MinMaxScaler缩放技术以及其他缩放技术的的一个好的例子如下:

  • 使用可用的训练数据拟合缩放器。对于归一化,这意味着训练数据将被用来估计最小和最大的可观测值。这可以通过调用 fit()函数来完成。

  • 将尺度运用于训练数据。这意味着可以使用归一化数据来训练模型。这可以通过调用 transform()函数来完成。

  • 将尺度应用于后面的数据。这意味着你可以在未来准备你想要用于预测的新的数据。

如果需要的话,变换可以反过来。这将有助于将预测转化为原始尺度的报告或者绘图。这个可以通过调用反向的 transform()函数来实现。下面是对10个单位的人为归一化的序列的例子。缩放器对象需要提供数据作为行和列的矩阵。加载的时间序列数据作为Pandas Series。

from sklearn.preprocessing import MinMaxScaler
from pandas import Series

data = [3.3, 5.3, 6.6 , 8.2, 9.9, 8.6, 7.7, 6.4, 9.1, 10.0]
print(type(data))
serise = Series(data)
print(type(serise))
value = serise.values.reshape(len(serise), 1)
print(type(value))
scaler = MinMaxScaler(feature_range=(0, 1)).fit_transform(value)
print(type(scaler))
print(scaler)

'''
<class 'list'>
<class 'pandas.core.series.Series'>
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
[[0.        ]
 [0.29850746]
 [0.49253731]
 [0.73134328]
 [0.98507463]
 [0.79104478]
 [0.65671642]
 [0.46268657]
 [0.86567164]
 [1.        ]]
'''

转自:学术头条

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
时间序列归一是将时间序列数据转换为特定范围内的标准数据的过程。常用的归一方法包括利用最大值和最小值进行线性归一,利用窗口内的极大值和极小值进行归一,以及自适应归一等方法。 归一的目的是为了消除时间序列数据之间的幅值差异,使得数据在统一的范围内进行比较和分析。归一后的时间序列数据通常在-1至1之间,正常值的幅值在这个范围内,而异常值的幅值则远大于1,这有助于更容易地发现和分析异常模式或者异常值。 反归一是将归一后的数据重新转换回原始的数据范围。反归一的目的是为了恢复数据的原始分布和幅值。在进行反归一时,需要使用相同的归一方法和参数,以确保数据的一致性。具体的反归一方法可以根据归一方法的定义进行推导和实现。 总结起来,时间序列归一是将时间序列数据转换为特定范围内的标准数据的过程,其目的是消除幅值差异,便于比较和分析。反归一则是将归一后的数据重新转换回原始的数据范围,恢复数据的原始分布和幅值。具体的归一方法和反归一方法可以根据实际需求和数据特征进行选择和实现。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [时间序列归一方法](https://blog.csdn.net/weixin_30783913/article/details/96506935)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [时间序列预测基础教程系列(13)_归一和标准的区别与方法(Python)](https://blog.csdn.net/yangwohenmai1/article/details/85404858)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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