数据归一化学习笔记

目录

 

数据归一化的目的：

方法：

代码实现：

Sklearn 中的 Scaler

---

数据归一化的目的：

由于特征之间的量纲不同，如果直接采用源数据进行机器学习，则不能很好的同时反应各个特征的重要程度；

所以在机器学习前，首先要对数据进行  数据归一化处理，将数据映射到同一尺度。

 

方法：

1. 最值归一化处理（normalization） ：把所有数据映射到 0-1 之间；

适用于数据分布有明显边界的情况；比如一组特征是 考试的分数，分数有明显的边界；

缺点：受outlier（异常值）影响比较大，比如没有明显边界的数据；例如：收入的分布，如果大部分人的收入很少，少部分人的收入非常高，最值归一化处理后，低收入人群的值会被 “挤到” 很小的区域。

     

2.均值方差归一化（standardization）: 把所有的数据归一到均值为0，方差为1的分布中；

适用于数据分布没有明