数据处理之特征缩放

猫不吃老鼠

于 2019-04-09 12:43:08 发布

阅读量568

点赞数

CC 4.0 BY-SA版权

分类专栏：数据处理文章标签：数据处理特征缩放

本文链接：https://blog.youkuaiyun.com/qq_42219077/article/details/89142926

本文探讨了特征缩放的原因，指出特征值过大可能导致权重失衡，影响学习过程。通过特征缩放，可以将特征值限制在特定范围内，确保各特征权重相对均衡。文章介绍了特征缩放的方法，并提供了相应的代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.原因
现在有两个特征u1和u2,u1过大会导致其权重过大，想要学习，反向更新下来会很慢，所以进行特征缩放，将特征值压缩到（0，1）或者（-1，1）之间，尽量让各特征的权重相差不大。

缩放前：
在这里插入图片描述
缩放后：

2.特征缩放的方法

3.代码实现

import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler

data = np.array([[1.0,2.0,3.0],[4.0,5.0,6.0]])

#标准化
ss = StandardScaler()
std_cps = ss.fit_transform(data)
origin_data = ss.inverse_transform(std_cps)    #还原
print(origin_data)

#0-1归一化
mm = MinMaxScaler()
mm_data = mm.fit_transform(data)
origin_data = mm.inverse_transform(mm_data)