17、特征缩放方法详解

特征缩放方法详解

在数据预处理阶段，特征缩放是一个关键步骤，它能够使不同特征在同一尺度下进行比较和分析，从而提升模型的性能和稳定性。本文将详细介绍几种常见的特征缩放方法，包括标准化、最大最小缩放、中位数和分位数缩放、均值归一化以及最大绝对值缩放，并给出具体的实现步骤和代码示例。

1. 标准化（Standardization）

标准化是一种常见的特征缩放方法，它将特征的均值调整为 0，方差调整为 1。以下是使用 scikit-learn 进行标准化的步骤：

import pandas as pd
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载加州住房数据集
X, y = fetch_california_housing(return_X_y=True, as_frame=True)
X.drop(labels=["Latitude", "Longitude"], axis=1, inplace=True)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 设置标准化器
scaler = StandardScaler().set_output(transform="