Sklearn
Sklearn学习
矢细顺修
这个作者很懒,什么都没留下…
展开
-
数据缺失处理
缺失处理(Imputer) 最常见、最简单的处理缺失数据的方法是个案剔除法,俗称删掉缺失数据, 在这种方法中如果任何一个变量含有缺失数据的话,就把相对应的个案从分析 样本中剔除。如果缺失值所占比例比较小的话,这一方法十分有效。然而,这 种方法却有很大的局限性。它是以减少样本量来换取信息的完备,丢弃了大量 隐藏在这些对象中的信息。 均值、中位数或众数插补,在该方法中,我们将变量的属性分为数值型和 非数值型来分别进行处理。如果缺失值是数值型的,就根据该变量在其他所有 对象的取值的平均值来填充该缺失的变量值;.原创 2020-09-03 00:01:07 · 685 阅读 · 0 评论 -
数据标准化
1、标准化 Standardization 标准化又被称为均值移除(mean removal),对不同样本的同一特征 值进行处理,最终均值为0,标准差为1,采用此种方式我们只需要使 用如下公式即可。 x_scaled = (x-mean)/std import numpy as np from sklearn import preprocessing data_standardized = preprocessing.scale(data) 2、数据缩放化(Scaling) 对不同样本的同一特征值原创 2020-09-02 23:57:24 · 637 阅读 · 0 评论