P9 归一化以及标准化对比

http://bilibili.com/video/BV184411Q7Ng?p=9

 

 Python程序举例：

"""
对数据进行归一化处理
"""
from sklearn.preprocessing import MinMaxScaler






def mMinMaxScaler():
    """
    对数据进行归一化处理
    :return:
    """
    mMinMaxScaler=MinMaxScaler()
    data=mMinMaxScaler.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46],])
    print(data)
    return None

if __name__=="__main__":
    mMinMaxScaler()

运行结果：

C:UsersTJAppDataLocalProgramsPythonPython37python.exe D:/qcc/python/mnist/data_guiyihua.py
[[1. 0. 0. 0. ]
[0. 1. 1. 0.83333333]
[0.5 0.5 0.6 1. ]]

Process finished with exit code 0

注解：

1. 对于每一列特征都要处理。

"""
对数据进行归一化处理
"""
from sklearn.preprocessing import MinMaxScaler






def mMinMaxScaler():
    """
    对数据进行归一化处理
    :return:
    """
    mMinMaxScaler=MinMaxScaler(feature_range=(2,3))
    data=mMinMaxScaler.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46],])
    print(data)
    return None

if __name__=="__main__":
    mMinMaxScaler()

运行结果：

 注解:

1. 归一化到一个指定的区间。
2. 默认是归一化到[0, 1]的。

注解： 

1. 飞行里程数多的话，可能这个人是个商务人士，但同时陪伴家人的时间可能很少。
2. 觉得3个特征同等重要的时候，就要对数据进行归一化处理。

 注解：

1. 如果不进行归一化，小值将淹没在大值中，小值的参考作用将失去。

 

 注解：

1. 在做归一化的时候，如果有异常点，会怎样？
2. 归一化对异常点无法抵抗，会造成数据归一化错误。

"""
对数据进行归一化处理
"""
from sklearn.preprocessing import MinMaxScaler






def mMinMaxScaler():
    """
    对数据进行归一化处理
    :return:
    """
    mMinMaxScaler=MinMaxScaler(feature_range=(0,1))
    data=mMinMaxScaler.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46],])
    print(data)
    return None

if __name__=="__main__":
    mMinMaxScaler()

 无异常数据的归一化结果：

"""
对数据进行归一化处理
"""
from sklearn.preprocessing import MinMaxScaler






def mMinMaxScaler():
    """
    对数据进行归一化处理
    :return:
    """
    mMinMaxScaler=MinMaxScaler(feature_range=(0,1))
    data=mMinMaxScaler.fit_transform([[90,2,10,1040],[60,4,15,45],[75,3,13,46],])
    print(data)
    return None

if __name__=="__main__":
    mMinMaxScaler()

有异常数据之后的归一化结果：

解决办法：标准化。

 

 

 

 

 数据标准化示例代码:

"""
对数据进行标准化处理
"""
from sklearn.preprocessing import MinMaxScaler, StandardScaler






def stdardScaler():
    """
    对数据进行标准化处理,即处理成均值为0，标准差为1的数据
    :return:
    """
    std=StandardScaler()
    data=std.fit_transform([[1.,-1.,3.],[2.,4.,2.],[4.,6.,-1.]])
    print(data)
    return None

if __name__=="__main__":
    stdardScaler()

运行结果：

 注解：

1. 可以看到，没一列的平均值都是0.
2. 相对于对数据进行归一化，对数据进行标准化的好处是不容易受到异常点的影响。

 注解：

1. 并不是所有数据都要进行归一化、标准化的。