特征预处理
概念:通过特定的统计方法姜数据转换为算法要求的数据方法:sklearn特征处理APIsklearn.preprocessing归一化:通过最大值和最小值对数据进行处理将数据转换为[0,1]之间的数,使得所有特征所占比例大致相同。缺点:对于异常点的处理不好,最大值最小容易受异常点影响(鲁棒性较差)标准化:通过平均值标准差对数据进行处理,将数据转换为平均值为0, 标准差为1 的数据。...
·
概念:通过特定的统计方法姜数据转换为算法要求的数据
方法:
sklearn特征处理API
sklearn.preprocessing
归一化:
通过最大值和最小值对数据进行处理将数据转换为[0,1]之间的数,使得所有特征所占比例大致相同。
缺点:对于异常点的处理不好,最大值最小容易受异常点影响(鲁棒性较差)
标准化:
通过平均值标准差对数据进行处理,将数据转换为平均值为0, 标准差为1 的数据。
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScaler
def mm(list1):
mm = MinMaxScaler(feature_range=(2, 3))
data = mm.fit_transform(list1)
print(data)
return None
def ss(list1):
ss = StandardScaler()
data = ss.fit_transform(list1)
print(data)
if __name__ == "__main__":
list1 = [[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 13, 46]]
mm(list1)
ss(list1)
output:
[[ 3. 2. 2. 2. ]
[ 2. 3. 3. 2.83333333]
[ 2.5 2.5 2.6 3. ]]
[[ 1.22474487 -1.22474487 -1.29777137 -1.3970014 ]
[-1.22474487 1.22474487 1.13554995 0.50800051]
[ 0. 0. 0.16222142 0.88900089]]
更多推荐
已为社区贡献1条内容
所有评论(0)