机器学习中的标准化和归一化-CSDN博客

本文链接：https://blog.csdn.net/weixin_74254879/article/details/140359662

标准化和归一化是两种常用的数据预处理技术。它们用于将数据缩放到一个特定的范围，以提高机器学习模型的性能。

1. 标准化 (Standardization)

标准化将数据转换为均值为0，标准差为1的分布。公式如下：

$\boldsymbol{\mathbf{}z = \frac{x-\mu }{\sigma}}$

其中：

$z$ 是标准化后的值
$x$ 是原始值
$\mu$ 是原始数据的均值

$\sigma$ 是原始数据的标准差

from sklearn.preprocessing import StandardScaler

def test():
    # 准备数据
    data = [
        [5, 20, 10, 8],
        [10, 30, 15, 12],
        [7, 25, 13, 10]
    ]

    # 初始化标准化对象
    standard = StandardScaler()

    # 对原始特征进行标准化变换
    standardized_data = standard.fit_transform(data)

    # 打印标准化后的结果
    print(standardized_data)

# 调用函数进行测试
test()

[[-1.13554995 -1.22474487 -1.29777137 -1.22474487]
[ 1.29777137 1.22474487 1.13554995 1.22474487]
[-0.16222142 0. 0.16222142 0. ]]

2. 归一化 (Normalization)

归一化将数据缩放到一个特定的范围（通常是0到1）。常用的归一化方法是最小-最大归一化，公式如下：

$x^{'} = \frac{x-x_{min}}{x_{max}-x_{min}}$

其中：

$x^{'}$ 是归一化后的值
$x$ 是原始值
$x_{min}$ 是数据集中最小值

$x_{max}$ 是数据集中最大值

from sklearn.preprocessing import MinMaxScaler


def test():
    # 准备数据
    data = [
        [5, 20, 10, 8],
        [10, 30, 15, 12],
        [7, 25, 13, 10]
    ]

    # 初始化归一化对象
    scaler = MinMaxScaler()

    # 对原始特征进行归一化变换
    normalized_data = scaler.fit_transform(data)

    # 打印归一化后的结果
    print(normalized_data)


# 调用函数进行测试
test()