sklearn中怎么實現數據縮放功能

今天就跟大家聊聊有關sklearn中怎么實現數據縮放功能，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

創新互聯建站主營高邑網站建設的網絡公司,主營網站建設方案,APP應用開發,高邑h5微信小程序定制開發搭建,高邑網站營銷推廣歡迎高邑等地區企業咨詢

一、數據縮放

你的預處理數據集中可能包含各種各樣、不同比例的特征字段，比如美元、千克、價格，有的特征列數值范圍在100以內，有的卻達到幾百萬，差異很大。

很多機器學習模型不希望有這樣大的差異，如果數據集各個屬性之間的數值差異越小，則模型表現的會越好。這里不一概而論，具體原因小伙伴們自行探索下。

方法1：數據歸一化

數據歸一化是指將原始數據縮放到0和1之間。

對于依賴于值的大小的模型，這種對輸入屬性的縮放很管用。比如在K近鄰模型的距離測量和回歸系數的準備。

接下來用都知道的鳶尾花數據集演示數據歸一化：

# 對鳶尾花數據集進行數據歸一化處理.
from sklearn.datasets import load_iris
from sklearn import preprocessing
# 加載數據
iris = load_iris()
print(iris.data.shape)
# 分離原始數據集，分為自變量和因變量
X = iris.data
y = iris.target
# 歸一化處理
normalized_X = preprocessing.normalize(X)

方法2：數據標準化

數據標準化是指：將數據縮放，改變每個屬性的分布，使其平均值為0，標準差為1。

諸如高斯過程等依賴于特征分布的模型，對特征進行標準化是非常有用的。

依然用鳶尾花的例子：

# 對鳶尾花數據集進行數據標準化處理.
from sklearn.datasets import load_iris
from sklearn import preprocessing
# 加載數據
iris = load_iris()
print(iris.data.shape)
# 分離原始數據集，分為自變量和因變量
X = iris.data
y = iris.target
# 標準化處理
standardized_X = preprocessing.scale(X)

看完上述內容，你們對sklearn中怎么實現數據縮放功能有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注創新互聯行業資訊頻道，感謝大家的支持。

本文題目：sklearn中怎么實現數據縮放功能
分享網址：http://m.kartarina.com/article24/gecice.html

成都網站建設公司_創新互聯，為您提供網站建設、自適應網站、移動網站建設、建站公司、網站制作、標簽優化

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源：創新互聯

猜你還喜歡下面的內容