本文介绍了如何使用ScaleFeature函数对训练和测试样本进行特征缩放，确保数据集在机器学习任务中的一致性和有效性。通过函数内部逻辑，我们学习了如何自动获取最小值和最大值，进而对数据进行标准化处理，适用于多种机器学习算法的准备阶段。
function [data, minv, maxv] = ScaleFeature( data, minv, maxv )
if nargin == 1
minv = min(data);
maxv = max(data);
end
nsample = size(data, 1);
data = (data - repmat(minv, [nsample, 1])) ./ (repmat((maxv - minv), [nsample, 1]) + eps);
if nargin == 1
minv = min(data);
maxv = max(data);
end
nsample = size(data, 1);
data = (data - repmat(minv, [nsample, 1])) ./ (repmat((maxv - minv), [nsample, 1]) + eps);
end
一直好像对这个问题都不重视。。但是实际好像还蛮重要的。
对训练样本，[data, minv, maxv] = ScaleFeature( data )
对测试样本，[data, ~, ~] = ScaleFeature( data, minv, maxv )
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
