特征缩放与无量纲化在机器学习中是十分重要的。本篇文章将向大家介绍最大绝对值缩放（MaxAbsScaler）的理论和实现，以及在Python中的应用。

最新推荐文章于 2025-03-16 11:00:29 发布

CodeWG

最新推荐文章于 2025-03-16 11:00:29 发布

阅读量251

点赞数 1

CC 4.0 BY-SA版权

文章标签：机器学习 python 人工智能

本文链接：https://blog.youkuaiyun.com/CodeWG/article/details/131014170

Python学习专栏收录该内容

575 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了特征缩放的重要性，并详细阐述了最大绝对值缩放(MaxAbsScaler)的概念，说明其将数据缩放到[-1,1]范围内的作用。文章还提供了MaxAbsScaler在Python中的应用示例，强调了使用该方法前需要确保数据已预处理到合适范围。" 103527804,8598244,Redis哨兵机制：实现高可用与故障转移,"['Redis', '哨兵', '高可用', '故障恢复', '分布式']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

特征缩放与无量纲化在机器学习中是十分重要的。本篇文章将向大家介绍最大绝对值缩放（MaxAbsScaler）的理论和实现，以及在Python中的应用。

特征缩放是指将数据集中的所有特征数据按比例缩放到一个特定的范围内，以便更好地适用于机器学习算法中。而最大绝对值缩放即是一种使特征矩阵中的数据缩放到[-1,1]之间的方法。

下面是MaxAbsScaler的具体实现方式：

from sklearn.preprocessing import MaxAbsScaler

# 创建MaxAbsScaler对象
scaler = MaxAbsScaler()

# 定义输入数据
X = [[

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

CodeWG

关注关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

EOF-DataScience：数据预处理/特征工程之线性变换—四种特征缩放Scaling算法简介、标准化standardization、归一化Normalization的概述与区别

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀

03-19

4367

DataScience：数据预处理/特征工程之线性变换—四种特征缩放Scaling算法简介、标准化standardization、归一化Normalization的概述与区别目录数据处理中常见的四种(Feature scaling)特征缩放算法对比数据预处理/特征工程之线性变换—标准化standardization、归一化Normalization的区别与联系相关文章 DataScience：深入探讨与分析机器学习中的数据处理之线性变换—标准化standardi

特征缩放与无量纲化：最大绝对值缩放（Python 实现）

CyberLynxO的博客

09-04

375

在特征缩放过程中，我们对原始数据进行转换，以确保特征具有相似的尺度。本文将介绍特征缩放的一种方法：最大绝对值缩放，并提供使用Python实现的源代码。最大绝对值缩放（Max Abs Scaler）是一种无量纲化方法，它将特征缩放到[-1, 1]的范围内，同时保留了数据的分布形状。最大绝对值缩放是特征缩放的一种方法，可以将特征缩放到[-1, 1]的范围内，保留数据的分布形状。从输出结果可以看出，每个特征的值都被缩放到了[-1, 1]的范围内，并且保留了原始数据的分布形状。最后，我们打印输出缩放后的数据。

参与评论您还未登录，请先登录后发表或查看评论

数据归一化 - MinMaxScaler()/MaxAbsScaler() - Python代码

热门推荐

黄饱饱

08-10

10万+

目录归一化数据归一化的背景介绍 MinMaxScaler：归一到 [ 0，1 ] MaxAbsScaler：归一到 [ -1，1 ] 标准化去均值，方差规模化归一化数据归一化的背景介绍在之前做聚类分析的时候我们发现，聚类的效果往往特别受其中一列数据的影响，使得原本应该散布在二维平面图上的点，变成聚集在一条线上的点，可想而知，其聚类效果肯定不理想。左图：为所有数...

Scikit-learn 数据预处理之最大绝对值MaxAbsScaler

数据科学汇集

01-12

1701

Scikit-learn 数据预处理之最大绝对值MaxAbsScaler 1 声明本文的数据来自网络，部分代码也有所参照，这里做了注释和延伸，旨在技术交流，如有冒犯之处请联系博主及时处理。 2 MaxAbsScaler简介。 MaxAbsScaler根据最大值的绝对值进行标准化。假设某列原数据为x，则新数据为x/|max|。应用场景：应用于稀疏矩阵。 3 MaxAbsScaler import pandas a...

Pyspark特征工程--MaxAbsScaler

weixin_46408961的博客

03-09

395

MaxAbsScaler class pyspark.ml.feature.MaxAbsScaler(inputCol=None, outputCol=None) 通过除以每个特征中的最大绝对值，将每个特征单独重新缩放到范围 [-1, 1]。它不会移动/居中数据，因此不会破坏任何稀疏性 01.初始化 from pyspark.sql import SparkSession spark = SparkSession.builder.config("spark.Driver.host","192.168.1.4

sklearn.preprocessing.MaxAbsScaler

weixin_41798592的博客

09-21

1728

sklearn.preprocessing.MaxAbsScaler sklearn.preprocessing.MaxAbsScaler(copy=True) 通过其最大绝对值缩放每个特征,也就是每个属性除以其所在属性列的最大值。它不会移动/居中数据，因此不会破坏任何稀疏性。 Parameters(参数): copy : boolean, optional, default is True 是否...

数据归一化 - MinMaxScaler()/MaxAbsScaler() - Python代码

weixin_41888257的博客

07-08

798

参考：数据归一化 - MinMaxScaler()/MaxAbsScaler() - Python代码

sklearn特征缩放之MaxAbsScaler

qq_30477323的博客

04-01

3624

通过 MaxAbsScaler进行特征缩放 import numpy as np import matplotlib.pyplot as plt from sklearn import preprocessing (一)基本的用法和示例 MaxAbsScaler 类与 MinMaxScaler 非常类似但是其是通过对每个feature样本÷该feature中的最大值将其feature中的样本归一...

数据转换与距离度量：标准化、归一化在机器学习中的应用

在机器学习领域，处理数据时，确保不同特征维度在同一尺度上是非常重要的。这是因为不同的度量单位和数值范围可能导致某些特征在计算距离或相似度时占据主导地位，从而影响模型的性能。为了消除这种影响，通常会采用...

机器学习笔记（三）——归一化、KD树、数值型特征无量纲化、数值型特征分箱等

weixin_43312354的博客

03-15

3955

一、数据归一化（一）使用数据归一化的目的在数据处理中，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。通常的数据归一化方法有两种：最值归一化（normalization）: 把所有数据映射到0-1之间。最值...

机器学习中数据预处理的方法

qq_55433305的博客

12-20

1222

机器学习中数据预处理的方法多种多样，具体选择哪种方法取决于数据的特性和模型的需求。通过合理的数据预处理，可以提高模型的准确性和稳定性，从而提升机器学习算法的性能。

[机器学习与scikit-learn-10]：数据预处理-3-数据的无量纲处理：StandardScaler、MinMaxScaler、MaxAbsScaler、RobustScaler

文火冰糖（王文兵）的博客

03-07

1923

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_优快云博客本文网址：目录第1章数据的无量纲处理 1.1 概述 1.2 量纲化处理的好处 1.3 无量纲处理的分类第2章线性无量纲化 2.1preprocessing.MinMaxScaler 2.2MaxAbsScaler 2.3 RobustScaler：缩放有异常值的特征。第3章非线性变换：标准化StandardScaler 3.1 特征的标准化概述 3.2 代码案例第4章...

Spark-MLlib 学习入门到掌握-MaxAbsScaler最简单的归一化[26]

qq_41610493的博客

07-06

371

MaxAbsScaler：归一到 [ -1，1 ] 归一化原理 import org.apache.spark.ml.feature.MaxAbsScaler import org.apache.spark.ml.linalg.Vectors val dataFrame = spark.createDataFrame(Seq( (0, Vectors.dense(1.0, 0.1, -8.0)), (1, Vectors.dense(2.0, 1.0, -4.0)), (2, Vectors.

Python | MinMaxScaler()、MaxAbsScaler()到底是什么意思？Python归一化和标准化preprocessing.scale(x)区别！

王博（Kings）的博客

11-05

7031

MinMaxScaler归一化到[0,1] MaxAbsScaler归一化到[-1,1] 这些归一化不是整个矩阵归一化！是一列一列进行的归一化！！！！！

笔记4.3.1缩放规范化--最小值最大值缩放和最大绝对值缩放

qq_43105807的博客

09-15

2442

Min-Max scaling将该样本每个特征下的最大值与最小值之差作为缩放倍数，每个特征下没有任何一个数会超过其最值之差，所以作为分母；分子是每个特征下的值与最小值之差。全为0的特征，缩放后值为0.代码表现如下： # 引用相应的库，numpy用于生成缺失值，引用sklearn.processing库，其中包含绝大部分数据与处理方法 from sklearn import preprocessing import numpy as np # 原始数据X X = np.array([[3, -2., 2

【Python机器学习】零基础掌握MaxAbsScaler数据预处理

Mr数据杨

11-09

155

通过本次内容的介绍，可以清楚地理解算法的作用：它通过缩放数据集的特征，使得每个特征的最大绝对值达到1，从而保留数据的原始分布和稀疏性。这一处理对于准备数据以供机器学习算法使用尤为重要，特别是在涉及到需要归一化特征但又不想丢失稀疏数据信息时。在风力发电效率优化的案例中，帮助比较不同地点风力发电站的性能，为进一步分析提供了有价值的标准化数据。优点总结，的优点在于它对数据范围的压缩处理，特别适用于处理那些已知不会包含负值的数据。这样的处理方式可以保留数据的稀疏结构，非常适用于稀疏数据集。优点名称描述。

数据变换方法: 初值化、均值化、百分比/倍数变换、归一化、极差最大值化、区间值化： MinMaxScaler、StandardScaler、MaxAbsScaler

冷月无声的博客

04-20

2万+

目录数据变换的目的数据变换的七种常见方式初值化变换均值化变换百分比变换倍数变换归一化变换极差最大值化变换区间值化变换 1. matlab ...

深度学习中常见的四种数据标准化方法详细解读（StandardScaler、MinMaxScaler、RobustScaler、MaxAbsScaler）

Next_SummerAgain的博客

08-05

3417

最近，本人在优化深度神经网络模型时发现为了减少预测标签值和真实标签值之间差距，不仅仅需提高模型本身的性能，还关乎于标签值标准化、数据集划分、模型超参数等一系列初始设定。其中后两项的实验内容俗称“炼丹”，很多研究人员已经炉火丹青，运筹帷幄，唯独标签值标准化容易被人忽略。一个优秀的标准化方法不仅能提高模型训练的稳定性，加速收敛，还能增强模型测试性能，可谓是中流砥柱。现有模型训练大多默认选用 StandardScaler()，这本没错，但是如果能够参考标签值分布尝试其他方法，并修改为适合的激活函数。

【scikit-learn】sklearn.preprocessing.MaxAbsScaler 类：最大绝对值缩放（[-1,1]）适用稀疏数据