Deep Learning----------归一化示例

归一化：（问题来了1）为什么要做归一化？

引入归一化,是由于不同的特征之间,其量纲或者量纲单位往往不同,变化区间也处于不同的数量级,若不进行归一化,可能导致某些指标被忽略,影响到数据分析的结果。

 （问题来了2）如果原始数据里存在异常数据对归一化是否有影响？影响程度如何？

若遇到原始数据里存在异常数据，归一化会受到影响，并且影响程度高。这时，我们可以寻找其他类似算法进行数据预处理，比如：标准化

废话不多说，放代码！！！

"""
   归一化：采用 sklearn.preprocessing 里的包 MinMaxScaler
"""
import numpy as np
from sklearn.preprocessing import MinMaxScaler

X = np.array([
    [1, -1, 2, 3],
    [2, 0, 0, 3],
    [0, 1, -10, 3]
], dtype=np.float64)

scaler = MinMaxScaler(feature_range=(0, 1))
scaler.fit(X)

print('-------------原始每列特征属性最小值----------')
print(scaler.data_min_)
print('--------------原始每列特征属性最大值----------')
print(scaler.data_max_)
print('-------------原始每列特征属性取值范围大小（max-min）----------')
print(scaler.data_range_)

print('---------------------------归一化后的数据---------------------------')
print(scaler.transform(X))

-------------原始每列特征属性最小值----------
[  0.  -1. -10.   3.]
--------------原始每列特征属性最大值----------
[2. 1. 2. 3.]
-------------原始每列特征属性取值范围大小（max-min）----------
[ 2.  2. 12.  0.]
---------------------------归一化后的数据---------------------------
[[0.5        0.         1.         0.        ]
 [1.         0.5        0.83333333 0.        ]
 [0.         1.         0.         0.        ]]

Process finished with exit code 0