锐客网

  1. 首页 > 睿知 > it技术 > >

第四十九篇 入门机器学习——数据归一化（Feature Scaling）

人工智能




No.1. 数据归一化的目的 数据归一化的目的，就是将数据的所有特征都映射到同一尺度上，这样可以避免由于量纲的不同使数据的某些特征形成主导作用。 No.2. 数据归一化的方法 数据归一化的方法主要有两种：最值归一化和均值方差归一化。 最值归一化的计算公式如下： 第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片

最值归一化的特点是，可以将所有数据都映射到0-1之间，它适用于数据分布有明显边界的情况，容易受到异常值（outlier）的影响，异常值会造成数据的整体偏斜。 均值方差归一化的计算公式如下： 第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片
均值方差归一化的特点是，可以将数据归一化到均值为0方差为1的分布中，不容易受到异常值（outlier）影响。 No.3. 向量和矩阵的最值归一化 向量的最值归一化 第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片
矩阵的最值归一化
【第四十九篇 入门机器学习——数据归一化（Feature Scaling）】第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片


No.4. 向量和矩阵的均值方差归一化 向量的均值方差归一化 第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片
矩阵的均值方差归一化
第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片

No.5. sklearn中对数据集归一化的流程 第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片


No.6. 使用鸢尾花数据集进行数据归一化
第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片


No.7. 简单实现一个自己的StandardScaler类
第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片


No.8. 机器学习流程回顾： 首先我们需要将数据集分成训练数据集和测试数据集两部分；对于kNN这种算法，我们需要保证数据在同一尺度下，因此要进行数据的归一化，训练数据集通过一个Scaler进行数据的归一化；将归一化后的数据进行训练，训练过程中要使用网格搜索来寻找最好的超参数，训练后得到最终的模型；之后，对于测试数据集，需要使用相同的Scaler进行归一化，然后送进用训练数据集得到的模型，得到模型分类的准确度，这样就可以确定训练数据集得到的模型的优劣。 第四十九篇 入门机器学习——数据归一化（Feature Scaling）
文章图片







转载于:https://www.cnblogs.com/xuezou/p/9332763.html

    推荐阅读


    上一篇：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

    下一篇：基础学习|数据归一化、标准化Feature Scaling