【python|Python3入门机器学习经典算法与应用——knn算法数据归一化 Feature Scaling】
文章目录
- 数据归一化 Feature Scaling
-
- 最值归一化 normalization
- 均值方差归一化 standardization
- 对测试数据集如何归一化
- 手写StandardScaler
数据归一化 Feature Scaling 最值归一化 normalization 把所有数据映射到0-1之间
文章图片
适?用于分布有明显边界的情况;受outlier影响较?大
均值方差归一化 standardization 均值方差归一化:把所有数据归?一到均值为0?方差为1的分布中
文章图片
对测试数据集如何归一化 测试数据是模拟真实环境
? 真实环境很有可能?无法得到所有测试
数据的均值和?方差
? 对数据的归?一化也是算法的?一部分
(x_test - mean_train) / std_train
文章图片
模型
文章图片
手写StandardScaler
import numpy as npclass StandardScaler:def __init__(self):
self.mean_ = None
self.scale_ = Nonedef fit(self, X):
"""根据训练数据集X获得数据的均值和方差"""
assert X.ndim == 2, "The dimension of X must be 2"self.mean_ = np.array([np.mean(X[:,i]) for i in range(X.shape[1])])
self.scale_ = np.array([np.std(X[:,i]) for i in range(X.shape[1])])return selfdef transform(self, X):
"""将X根据这个StandardScaler进行均值方差归一化处理"""
assert X.ndim == 2, "The dimension of X must be 2"
assert self.mean_ is not None and self.scale_ is not None, \
"must fit before transform!"
assert X.shape[1] == len(self.mean_), \
"the feature number of X must be equal to mean_ and std_"resX = np.empty(shape=X.shape, dtype=float)
for col in range(X.shape[1]):
resX[:,col] = (X[:,col] - self.mean_[col]) / self.scale_[col]
return resX
推荐阅读
- 第四十九篇 入门机器学习——数据归一化(Feature Scaling)
- 学习笔记|机器学习之线性回归及特征归一化
- 机器学习|机器学习之数据归一化(Feature Scaling)
- java|绝了,竞标降薪!
- 小白案例合集|0基础学Python有多难()
- 网络|学Python要是这几个网站都不知道,真的就白学了
- #yyds干货盘点# python 爬虫爱好者必须掌握的知识点“ 协程爬虫”,看一下如何用 gevent 采集女生用头像
- 计算机视觉|OpenCV_05图像变换
- matlab|基于FPGA的音频信号的FIR滤波(Matlab+Modelsim验证)