Sklearn-scaler对比

本文探讨了Scikit-learn库中几种数据预处理方法的对比,包括StandardScaler、MinMaxScaler、MaxAbsScaler、RobustScaler、PowerTransformer、QuantileTransformer及其在处理异常值时的表现。StandardScaler和MinMaxScaler对异常值敏感,可能导致数据范围缩小。MaxAbsScaler将数据压缩至[-1, 1],而RobustScaler则具备异常值抵抗能力。QuantileTransformer提供均匀或高斯分布的输出,Normalizer则用于将特征向量归一化。" 128145380,13867549,Spring Boot整合FastDFS实现文件上传,"['spring boot', 'java', '文件上传', '分布式存储', 'FastDFS']

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

原始数据分布:
在这里插入图片描述

  • StandardScaler:通过减去均值,除以标准差。异常数据对均值和方差的影响很大,会导致特征数据范围缩小 z=(x−u)sz = \frac{(x - u)}{ s}z=s(xu)

在这里插入图片描述

  • MinMaxScaler将所有数据归一化到[0,1]区间内,但是由于异常值的影响,特征数据的分布范围变得很窄。与standardscalar一样,对异常值铭感Xstd=(X−X.min)(X.max(axis=0)−X.min(axis=0))X_{std} = \frac{(X - X.min)} {(X.max(axis=0) - X.min(axis=0))}Xstd=(X.max(axis=0)X.min(axis=0))(XX.min)Xscaled=Xstd∗(max−min)+minX_{scaled} = X_{std} * (max - min) + minXscaled=Xstd(maxmin)+min

在这里插入图片描述

MaxAbsScaler,将数据压缩到了[-1,1]区间内,对异常值敏感X=X∣X∣.maxX=\frac{X}{|X|.max}X=X.maxX

在这里插入图片描述

RobustScaler和前面三个方法不同,对异常值不敏感$$$$

在这里插入图片描述

PowerTransformer$$$$
在这里插入图片描述

在这里插入图片描述

QuantileTransformer (Gaussian output)$$$$
在这里插入图片描述

QuantileTransformer (uniform output)
在这里插入图片描述

Normalizer

在这里插入图片描述

评论 2
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