特征归一化处理（python代码）

axiyaxixixi

已于 2022-04-30 14:24:42 修改

阅读量2.8k

点赞数

CC 4.0 BY-SA版权

文章标签： python 机器学习深度学习

于 2022-04-30 14:23:31 首次发布

本文链接：https://blog.youkuaiyun.com/ztttttttttl/article/details/124512414

特征归一化是机器学习预处理的重要步骤，它确保了不同特征在同一尺度上，有利于距离度量和梯度下降算法的高效运行。归一化可以加速SVM的支持向量搜索，并且不同算法对于输入数值范围有特定要求。本文介绍了如何使用MinMaxScaler将数据归一化到-1到1以及0到1的范围，展示了具体的Python代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

特征归一化的意义

各特征之间的大小范围一致，才能使用距离度量等算法
加速梯度下降算法的收敛
在SVM算法中，一致化的特征能加速寻找支持向量的时间
不同的机器学习算法，能接受的输入数值范围不一样

本文采用MinMaxScaler归一方法

归一化到-1到1代码

data_before=pd.read_excel('E:/daima/getfeature_timesforms/home/video_feature/feature.xlsx')
min_max_scaler = MinMaxScaler(feature_range=(-1,1))#归一化至-1 - 1
data = min_max_scaler.fit_transform(data_before)#归一化后的结果

归一化至0-1

data_before=pd.read_excel('E:/daima/getfeature_timesforms/home/video_feature/feature.xlsx')
scaler=MinMaxScaler()
scaler.fit(data_before)
data=scaler.transform(data_before)