几种归一化方法的python实现

博客介绍了Python中的数据归一化方法,包括(0,1)标准化、Z - score和sigmoid。这些方法在数据处理中能将数据映射到特定范围,有助于提升模型性能和数据可比性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1:(0,1)标准化

def MaxMinNormalization(x,x_Max,x_Min):
	x = (x - x_Min) / (x_Max - x_Min);
	return x;

2:Z-score :

def Z_ScoreNormalization(x,mu,sigma):
	x = (x - mu) / sigma;
	return x;

3:sigmoid:

def sigmoid(x):
    return 1.0/(1+np.exp(-x))

 

Python中,数据归一化和标准化是数据预处理的重要步骤,常用于机器学习和数据分析中。以下是几种常用的数据归一化和标准化的方法: 1. **Min-Max归一化**: Min-Max归一化将数据缩放到一个固定的范围,通常是[0, 1]。公式如下: \[ X_{\text{norm}} = \frac{X - X_{\min}}{X_{\max} - X_{\min}} \] 使用`sklearn`库中的`MinMaxScaler`可以实现: ```python from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() data_scaled = scaler.fit_transform(data) ``` 2. **Z-score标准化**: Z-score标准化将数据转换为均值为0,标准差为1的标准正态分布。公式如下: \[ X_{\text{std}} = \frac{X - \mu}{\sigma} \] 使用`sklearn`库中的`StandardScaler`可以实现: ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() data_scaled = scaler.fit_transform(data) ``` 3. **MaxAbs归一化**: MaxAbs归一化将数据缩放到[-1, 1]范围内,且不破坏数据的稀疏性。公式如下: \[ X_{\text{norm}} = \frac{X}{X_{\max}} \] 使用`sklearn`库中的`MaxAbsScaler`可以实现: ```python from sklearn.preprocessing import MaxAbsScaler scaler = MaxAbsScaler() data_scaled = scaler.fit_transform(data) ``` 4. **RobustScaler**: RobustScaler使用中位数和四分位数来缩放数据,对于有异常值的数据更为鲁棒。公式如下: \[ X_{\text{std}} = \frac{X - X_{25}} \] 使用`sklearn`库中的`RobustScaler`可以实现: ```python from sklearn.preprocessing import RobustScaler scaler = RobustScaler() data_scaled = scaler.fit_transform(data) ``` 5. **Normalizer**: Normalizer将数据缩放到单位范数(1-范数、2-范数等)。使用`sklearn`库中的`Normalizer`可以实现: ```python from sklearn.preprocessing import Normalizer scaler = Normalizer() data_scaled = scaler.fit_transform(data) ``` 这些方法可以根据具体的数据分布和需求选择使用。`sklearn`库提供了方便的接口来进行数据归一化和标准化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值