sklearn特征缩放（feature scaling）[MinMaxScaler, standardization]

最新推荐文章于 2025-10-20 17:23:40 发布
原创 最新推荐文章于 2025-10-20 17:23:40 发布 · 3k 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Python #sklearn #feature scaling

在机器学习中，由于数值属性尺度差异可能导致算法性能下降。常用的特征缩放方法包括min-max scaling（归一化）和standardization（标准化）。MinMaxScaler将数据缩放到指定范围，如(0, 1)，而StandardScaler实现零均值和单位方差，对异常值具有更强的鲁棒性。这两个方法在Python的sklearn库中都有实现。" 112019655,10295243,SHTTPD 源码分析：初识 Web 服务器内嵌示例,"['Web服务器', '嵌入式开发', 'HTTP协议', 'C语言', '源码解析']

当输入数值属性有不同的尺度，比如有的属性变化范围为-1到1,而有的属性变化范围为1到1000，机器学习算法通常不会表现的很好，因而需要对数值属性进行特征缩放。

有两个常用的方法可以使得所有的属性有相同的尺度， min-max scaling 和 standardization。

  • MinMaxXScale 也称 normalization
    class sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True)
    独立的缩放每一列特征，将特征值缩放到给定的范围内。
    转换公式：
X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

其中，min, max = feature_range

参数：

  • fature_range ： tuple(min, max), default=(0,1)
    决定了特征值的缩放范围，从转换公式的第二行就很明显的看出了。
  • copy: boolean, opetional dafault True
    如果copy=False， 执行的是行正则化，并且是在原数据上操作
 from sklearn.
最低0.47元/天 解锁文章
特征缩放
justThinker的博客
12-04 9447
一，特征缩放定义 特征缩放是用来标准化数据特征的范围。 二，特征缩放的作用及原理 特征缩放是针对多特征情况的。当有多个特征向量的时候，如果其中一个变化范围比较大，根据上次所说的多特征梯度下降法算法可以知道，该特征向量的参数可能会变化范围很大，从而主导整个梯度下降的过程，使得整个收敛轨迹变得复杂，让收敛的时间更长。就像下图所示： 因此，我们可以将所有特征向量的变化范围维持在一个标准化
Feature scaling(特征缩放)
weixin_44369518的博客
03-21 704
前言：在读到一篇文章常用 Normalization 方法的总结与思考：BN、LN、IN、GN时，发现越看越看不懂了，但是这里面有一些容易混淆的知识点，博主认为还是值得记录。 1.概念 normalization有些通称归一化或者标准化，也有说归一化属于标准化的，害，越看越糊涂。这里也有翻译的锅。直接用英语和表达式来区分吧。 四种Feature scaling(特征缩放)方法： Rescaling...
Python中归一化特征到一定区间的函数——MinMaxScaler()
热门推荐
技术博客
09-08 6万+
MinMaxScaler()函数在sklearn包中 MinMaxScaler()函数原型为： sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True) 其中： feature_range：为元组类型，范围某认为:[0，1]，也可以取其他范围值。 copy：为拷贝属性，默认为True,表示对原数据组拷贝操作，...
机器学习（5）特征缩放与梯度下降收敛
最新发布
Theodore_1022的博客
10-20 839
本篇博客对特征缩放、梯度下降收敛做了详细介绍，并且通过房价案例，结合对应图示代码进行了详细讲解。
机器学习中的特征缩放（feature scaling）浅谈
iterate7的博客
12-23 1万+
引言在运用一些机器学习算法的时候不可避免地要对数据进行特征缩放（feature scaling），比如：在随机梯度下降（stochastic gradient descent）算法中，特征缩放有时能提高算法的收敛速度。什么是特征缩放特征缩放的目标就是数据规范化，使得特征的范围具有可比性。它是数据处理的预处理处理，对后面的使用数据具有关键作用。机器算法为什么要特征缩放特征缩放还可以使机器学习算法工作的
特征缩放（Feature Scaling）全解析：原理、方法与实战案例
long1973m的博客
09-16 1166
特征缩放是机器学习预处理的关键步骤，用于解决不同特征量级差异过大的问题。本文详细解析了特征缩放的必要性、常见方法及实践要点。梯度下降、SVM等依赖距离的算法必须缩放，而树模型可例外。Z-Score标准化是工业首选方法，对异常值更鲁棒。文章提供了Python实现代码，强调训练集与测试集需使用相同缩放参数，并展示了缩放对梯度下降的加速效果。核心结论：合理的特征缩放能提升模型公平性和训练效率。
层次特征的尺度艺术：sklearn中的缩放技术
2401_85743969的博客
07-30 571
在机器学习中，特征缩放（Feature Scaling）是数据预处理的重要步骤，尤其对于基于距离的算法，如K-近邻（KNN）和支持向量机（SVM）。对于具有层次结构的数据，如文本数据或分类标签，特征缩放需要特别的方法来保持数据的内在结构。本文将详细介绍如何在sklearn中进行分层特征的缩放，并提供详细的代码示例。分层特征的缩放是数据预处理中的重要环节。通过本文的介绍，你应该对如何在sklearn中进行分层特征缩放有了深入的理解。特征缩放是将数据调整到一个统一的尺度，以消除不同量纲和数值范围的影响。
特征缩放(Feature Scaling)
godotlee的博客
12-28 1026
特征缩放解释： 数据中某一维度的数值过大或过小时，将他们尽量缩放到［－１，１］或［０，１］之间．所谓特征的尺度，即代表该特征的维度上的数值大小． 特征缩放作用： 如K-NN算法中，如果某一维度上的值比其维度的大，则在计算样本欧式距离时，将会被该维度的值所主导． 如梯度下降算法中，将所有特征的尺度尽量缩放到［－１，１］之间，能够减少迭代的次数，即加快收敛 特征缩放的方法;
特征缩放（Feature Scaling）
weixin_45142381的博客
12-31 3359
特征缩放
MinMaxScaler(feature_range=(0,1))（sklearn库）
Fwuyi的博客
02-26 9925
MinMaxScaler()函数在sklearn库中。sklearn 库有六大模块，分别是分类、回归、聚类、降维、模型选择和预处理。MinMaxScaler属于预处理preprocessing模块，用来实现数据的归一化，即把数据映射到 [ 0，1 ] 。 什么是数据的归一化 公式： ，是指映射值的最小值和最大值，一般是min=0，max=1； ，是指每列中元素的最小值和最大值，因为axis=0所以跨行处理即对每一列做这样的归一化操作，这也比较符合实际应用； 代码 import numpy a.
特征缩放（Feture scaling）
11-12 315
"标准化(Normalization)"和"归一化(Standardization)"在数据准备中是经常要做的一个步骤。 有很多的文档和文章经常把这两个整合为一个概念，这是个容易混淆的点， 既正确又不正确 说他正确， 是这里所说的标准化和归一化，确实都是同样的目的； 说他们不正确，他们有不是不同的东西； 这两个概念其实都是 特征缩放（Feture scaling）的两种不同方式； 下面咱们就来详细来说道说道特征缩放（Feture Scaling）。 ...
特征缩放(Feature scaling)
lihe的博客
12-27 1657
转载于https://segmentfault.com/a/1190000022155741 特征缩放适用于连续型变量，用来统一不同特征之间的量纲。 注意，机器学习数据中的连续变量特征往往符合正态分布，并且特征缩放往往都符合线性变换，不会改变原始数据的排位顺序。 使用场景： 1、连续特征变量 2、回归模型中，不同特征缩放后，对应的回归系数具有可比性 3、距离计算模型中，不同维度量纲统一，不会出现过度依赖量纲较大的特征。比如KNN，K-Means使用欧式距离 4、梯度优化中，特征间均衡的量纲可以让梯度下降更加
机器学习-特征缩放
peidezhi的专栏
03-29 1415
从数值来看， 年份和工资相比数值太小， 对整个模型的影响基本上可以忽略。（方差计算的是数据平方， 个体数据相差值会放大，所以开方求平方根可以缩小换算回来。机器学习中， 特征值通常相差比较巨大， 不同维度的特征值相差巨大，导致部分特征影响微乎其微， 用来做训练效果不好。Xnew = x - mean(x) / std(x) [均值 标准差】举个例子， 工作年数和 工资收入作为特征值，来构建预测模型。因此，我们需要对特征值进行缩放， 已规避数值差异带来的影响。
特征工程之特征缩放&特征编码
weixin_34392435的博客
02-18 616
机器学习入门系列（2）--如何构建一个完整的机器学习项目，第五篇！ 该系列的前四篇文章： 机器学习入门系列(2)--如何构建一个完整的机器学习项目(一) 机器学习数据集的获取和测试集的构建方法 特征工程之数据预处理（上） 特征工程之数据预处理（下） 本篇文章会继续介绍特征工程的内容，这次会介绍特征缩放和特征编码，前者主要是归一化和正则化，用于消除量纲关系的影响，后者包括了序号编码、独热编码等，...
sklearn中的scaling
11-30
Scikit-learn库提供了几种常见的特征缩放方法，用于调整数据集中的数值特征，以便于模型训练。这些方法包括： 1. **MinMax Scaling**[^2]: ```python from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(0, 1)) X_scaled = scaler.fit_transform(X) ``` 这种方法将每个特征缩放到0到1的范围内，通过计算每个特征的最小值(min)和最大值(max)，转换公式为 `X_scaled = (X - min) / (max - min)`。 2. **Standardization**: ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(X) ``` 标准化方法通常用于正态分布假设的数据，它将数据转换为均值为0，标准差为1的标准正态分布。 3. **Robust Scaling**: ```python from sklearn.preprocessing import RobustScaler scaler = RobustScaler() X_scaled = scaler.fit_transform(X) ``` RobustScaler更注重异常值，使用四分位范围(Q1-Q3)来缩放数据。 4. **Normalizer**: ```python from sklearn.preprocessing import Normalizer normalizer = Normalizer(norm='l2') X_normalized = normalizer.transform(X) ``` 对于单位向量长度的归一化，如L2范数。 5. **Quantile Transformer**[^1]: ```python from sklearn.preprocessing import QuantileTransformer transformer = QuantileTransformer(output_distribution='uniform') X_transformed = transformer.fit_transform(X) ``` 这个类允许对数据进行非线性变换，保持数据的分布特性。 使用时，先选择合适的scaler，然后调用`fit_transform()`方法对数据进行预处理。这样可以确保不同特征具有相似的重要性，并帮助某些算法更好地工作。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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