【原】关于使用sklearn进行数据预处理|【原】关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化
一、标准化(Z-Score),或者去除均值和方差缩放 公式为:(X-mean)/std计算时对每个属性/每列分别进行。
将数据按期属性(按列进行)减去其均值,并处以其方差。得到的结果是,对于每个属性/每列来说所有数据都聚集在0附近,方差为1。
实现时,有两种不同的方式:
- 使用sklearn.preprocessing.scale()函数,可以直接将给定数据进行标准化。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 | >>> from sklearn
import
preprocessing >>>
import
numpy
as
np >>> X = np.array([[
1
., -
1
.,
2
.], ...[
2
.,
0
.,
0
.], ...[
0
.,
1
., -
1
.]]) >>> X_scaled = preprocessing.scale(X) >>> X_scaled array([[
0
...., -
1.22
...,
1.33
...],
[
1.22
...,
0
...., -
0.26
...],
[-
1.22
...,
1.22
..., -
1.06
...]]) >>>#处理后数据的均值和方差 >>> X_scaled.mean(axis=
0
) array([
0
.,
0
.,
0
.]) >>> X_scaled.std(axis=
0
) array([
1
.,
1
.,
1
.]) |
- 【【原】关于使用sklearn进行数据预处理|【原】关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化】使用sklearn.preprocessing.StandardScaler类,使用该类的好处在于可以保存训练集中的参数(均值、方差)直接使用其对象转换测试集数据。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | >>> scaler
=
preprocessing.StandardScaler().fit(X) >>> scaler StandardScaler(copy
=
True
, with_mean
=
True
, with_std
=
True
) >>> scaler.mean_ array([
1.
...,
0.
...,
0.33
...]) >>> scaler.std_ array([
0.81
...,
0.81
...,
1.24
...]) >>> scaler.transform(X) array([[
0.
...,
-
1.22
...,
1.33
...],
[
1.22
...,
0.
...,
-
0.26
...],
[
-
1.22
...,
1.22
...,
-
1.06
...]]) >>>
#可以直接使用训练集对测试集数据进行转换 >>> scaler.transform([[
-
1.
,
1.
,
0.
]]) array([[
-
2.44
...,
1.22
...,
-
0.26
...]]) |
二、将属性缩放到一个指定范围 除了上述介绍的方法之外,另一种常用的方法是将属性缩放到一个指定的最大和最小值(通常是1-0)之间,这可以通过preprocessing.MinMaxScaler类实现。
使用这种方法的目的包括:
1、对于方差非常小的属性可以增强其稳定性。
2、维持稀疏矩阵中为0的条目。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 | >>> X_train
=
np.array([[
1.
,
-
1.
,
2.
], ...[
2.
,
0.
,
0.
], ...[
0.
,
1.
,
-
1.
]]) ... >>> min_max_scaler
=
preprocessing.MinMaxScaler() >>> X_train_minmax
=
min_max_scaler.fit_transform(X_train) >>> X_train_minmax array([[
0.5
,
0.
,
1.
],
[
1.
,
0.5
,
0.33333333
],
[
0.
,
1.
,
0.
]]) >>>
#将相同的缩放应用到测试集数据中 >>> X_test
=
np.array([[
-
3.
,
-
1.
,
4.
]]) >>> X_test_minmax
=
min_max_scaler.transform(X_test) >>> X_test_minmax array([[
-
1.5
,
0.
,
1.66666667
]]) >>>
#缩放因子等属性 >>> min_max_scaler.scale_ array([
0.5
,
0.5
,
0.33
...]) >>> min_max_scaler.min_ array([
0.
,
0.5
,
0.33
...]) |
X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))
X_scaled=X_std/(max-min)+min
三、正则化(Normalization) 正则化的过程是将每个样本缩放到单位范数(每个样本的范数为1),如果后面要使用如二次型(点积)或者其它核方法计算两个样本之间的相似性这个方法会很有用。
Normalization主要思想是对每个样本计算其p-范数,然后对该样本中每个元素除以该范数,这样处理的结果是使得每个处理后样本的p-范数(l1-norm,l2-norm)等于1。
p-范数的计算公式:||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p 该方法主要应用于文本分类和聚类中。例如,对于两个TF-IDF向量的l2-norm进行点积,就可以得到这两个向量的余弦相似性。
1、可以使用preprocessing.normalize()函数对指定数据进行转换:
1 2 3 4 5 6 7 8 9 | >>> X
=
[[
1.
,
-
1.
,
2.
], ...[
2.
,
0.
,
0.
], ...[
0.
,
1.
,
-
1.
]] >>> X_normalized
=
preprocessing.normalize(X, norm
=
'l2'
) >>> X_normalized array([[
0.40
...,
-
0.40
...,
0.81
...],
[
1.
...,
0.
...,
0.
...],
[
0.
...,
0.70
...,
-
0.70
...]]) |
2、可以使用processing.Normalizer()类实现对训练集和测试集的拟合和转换:
1 2 3 4 5 6 7 8 9 10 11 12 | >>> normalizer
=
preprocessing.Normalizer().fit(X)
# fit does nothing >>> normalizer Normalizer(copy
=
True
, norm
=
'l2'
) >>> >>> normalizer.transform(X) array([[
0.40
...,
-
0.40
...,
0.81
...],
[
1.
...,
0.
...,
0.
...],
[
0.
...,
0.70
...,
-
0.70
...]]) >>> normalizer.transform([[
-
1.
,
1.
,
0.
]]) array([[
-
0.70
...,
0.70
...,
0.
...]]) |
补充:
文章图片
推荐阅读
- 宽容谁
- 我要做大厨
- 9班|9班 刘志雪
- 增长黑客的海盗法则
- 画画吗()
- 2019-02-13——今天谈梦想()
- 远去的风筝
- 三十年后的广场舞大爷
- 叙述作文
- 20190302|20190302 复盘翻盘