新手村：数据预处理-特征缩放

新手村：数据预处理-特征缩放

   特征缩放（Feature Scaling）是数据预处理中的一个紧张步调，特别是在应用某些呆板学习算法时。特征缩放可以使不同标准的特征具有雷同的量级，从而进步模型训练的效率和性能。常见的特征缩放方法包罗标准化（Standardization）和归一化（Normalization）。
  常见的特征缩放方法

• 标准化（Standardization）
  
  
  
  • 将特征转换为均值为0，标准差为1的标准正态分布。
    
  • 公式：                                                               x                                     ′                                              =                                                             x                                        −                                        μ                                                  σ                                                      x' = \frac{x - \mu}{\sigma}                           x′=σx−μ​
    
    
    
    •                                                                            x                                           ′                                                                x'                                 x′ 是缩放后的特征值
      
    •                                                             x                                                  x                                 x 是原始特征值
      
    •                                                             μ                                                  \mu                                 μ 是特征的均值
      
    •                                                             σ                                                  \sigma                                 σ 是特征的标准差
      
    
    
  
  
• 归一化（Normalization）
  
  
  
  • 将特征缩放到一个特定范围（通常是[0, 1]或[-1, 1]）。
    
  • 最常用的归一化方法是Min-Max缩放：
    
    
    
    • 公式：                                                                           x                                           ′                                                      =                                                                       x                                              −                                                               x                                                 min                                                                                                           x                                                 max                                                              −                                                               x                                                 min                                                                                               x' = \frac{x - x_{\text{min}}}{x_{\text{max}} - x_{\text{min}}}                                 x′=xmax​−xmin​x−xmin​​
      
      
      
      •                                                                                        x                                                 ′                                                                          x'                                       x′ 是缩放后的特征值
        
      •                                                                       x                                                          x                                       x 是原始特征值
        
      •                                                                                        x                                                 min                                                                          x_{\text{min}}                                       xmin​ 和                                                                                        x                                                 max                                                                          x_{\text{max}}                                       xmax​ 分别是特征的最小值和最大值
        
      
      
    
    
  
  

特征缩放的应用场景

• 必要特征缩放的算法：
  
  
  
  • 线性回归、逻辑回归、支持向量机（SVM）、K近邻（KNN）、神经网络等。
    
  • 这些算法对特征的标准敏感，特征缩放可以加速收敛速度并进步模型性能。
    
  
  
• 不必要特征缩放的算法：
  
  
  
  • 决议树、随机森林等基于树的算法，这些算法不依靠于特征的标准。
    
  
  

示例代码

以下是一个使用Python和scikit-learn库举行特征缩放的示例代码：

1. import pandas as pd
2. import numpy as np
3. from sklearn.preprocessing import StandardScaler, MinMaxScaler
5. # 创建一个示例数据集
6. data = {
7.     'A': [1, 2, 3, 4, 5],
8.     'B': [100, 200, 300, 400, 500],
9.     'C': [0.1, 0.2, 0.3, 0.4, 0.5]
10. }
12. df = pd.DataFrame(data)
14. print("原始数据：")
15. print(df)
17. # 标准化
18. scaler_standard = StandardScaler()
19. df_standardized = pd.DataFrame(scaler_standard.fit_transform(df), columns=df.columns)
20. print("\n标准化后的数据：")
21. print(df_standardized)
23. # 归一化（Min-Max缩放）
24. scaler_minmax = MinMaxScaler()
25. df_normalized = pd.DataFrame(scaler_minmax.fit_transform(df), columns=df.columns)
26. print("\n归一化后的数据：")
27. print(df_normalized)

复制代码

输出结果解释

原始数据

1. 原始数据：
2.      A      B    C
3. 0    1    100  0.1
4. 1    2    200  0.2
5. 2    3    300  0.3
6. 3    4    400  0.4
7. 4    5    500  0.5

复制代码

标准化后的数据

1. 标准化后的数据：
2.           A         B         C
3. 0 -1.414214 -1.414214 -1.414214
4. 1 -0.707107 -0.707107 -0.707107
5. 2  0.000000  0.000000  0.000000
6. 3  0.707107  0.707107  0.707107
7. 4  1.414214  1.414214  1.414214

复制代码

归一化后的数据

1. 归一化后的数据：
2.      A    B    C
3. 0  0.0  0.0  0.0
4. 1  0.25 0.25 0.25
5. 2  0.5  0.5  0.5
6. 3  0.75 0.75 0.75
7. 4  1.0  1.0  1.0

复制代码

总结表格

方法描述适用场景长处缺点标准化将特征转换为均值为0，标准差为1的标准正态分布。线性回归、逻辑回归、SVM、KNN、神经网络等。不受数据范围影响，适用于大多数算法。对非常值较为敏感，大概导致非常值的影响被放大。归一化（Min-Max缩放）将特征缩放到一个特定范围（通常是[0, 1]）。必要将数据限制在特定范围内的情况。数据范围固定，适用于必要严酷控制输出范围的场景。受数据范围影响较大，对非常值敏感，大概导致信息丢失。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。