特征放缩(Feature scaling)

旺旺丫丫

于 2018-09-18 15:39:54 发布

阅读量621

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：特征处理

本文链接：https://blog.youkuaiyun.com/wangyj705/article/details/82758498

20 篇文章

订阅专栏

本文介绍了四种常见的特征放缩方法：Min-Max标准化、均值归一化处理、均值标准化Z-score standardization以及缩放到单位向量。这些方法在机器学习预处理阶段非常重要，能够帮助算法更好地收敛并提高模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

特征放缩的几种方法

1.Min-Max scaling min-max标准化

该方法是最简单的数组放缩方法。

处理类：
from sklearn.preprocessing import MinMaxScaler

2.均值归一化处理(Mean normalization)

3.均值标准化Z-score standardization

在很多机器算法中使用到，例如支持向量机，逻辑回归，人工神经网络。

from sklearn.preprocessing import StandardScaler
StandardScaler(copy=True,with_mean=True,with_std=True)
from sklearn.preprocessing import scale

4.缩放到单位向量 Scaling to unit length

from sklearn.preprocessing import Normalizer