Python如何以及在哪里应用特征缩放（） _如何以及在哪里应用特征缩放

功能缩放或标准化
：这是数据预处理的步骤, 适用于数据的自变量或特征。从根本上说, 它有助于标准化特定范围内的数据。有时, 它也有助于加快算法的计算速度。
使用的包：

sklearn.preprocessing

import：

from sklearn.preprocessing import StandardScaler

【Python如何以及在哪里应用特征缩放（）】后端中使用的公式
标准化将值替换为其Z分数。

文章图片
主要是适合方法用于特征缩放

fit(X, y = None) Computes the mean and std to be used for later scaling.

import pandas as pd from sklearn.preprocessing import StandardScaler# Read Data from CSV data = http://www.srcmini.com/read_csv('srcmini.csv' ) data.head()# Initialise the Scaler scaler = StandardScaler()# To scale data scaler.fit(data)

为什么以及在何处应用特征缩放？
现实世界的数据集包含的特征在大小, 单位和范围上都有很大差异。当要素的比例尺无关或具有误导性时, 应执行规范化, 而在比例尺有意义时, 则不应进行规范化。
使用欧几里得距离测度的算法对幅度敏感。这里的特征缩放有助于平均权衡所有特征。
正式地, 如果数据集中的某个要素比其他要素具有更大的比例, 那么在测量欧几里德距离的算法中, 这个大规模的要素将成为主导并需要进行标准化。
特征缩放很重要的算法示例
1.K均值
在这里使用欧几里得距离度量来衡量要素缩放。
2.K最近邻
还需要特征缩放。
3.主成分分析(PCA)：尝试获取具有最大方差的特征, 这里也需要特征缩放。
4.梯度下降：随着特征缩放后Theta计算变得更快, 计算速度也随之提高。
注意：
朴素贝叶斯, 线性判别分析和基于树的模型不受特征缩放的影响。
简而言之, 任何算法
不
基于距离的是
不
受功能缩放的影响。
首先, 你的面试准备可通过以下方式增强你的数据结构概念：Python DS课程。