一条龙建站,开个免费的网站多少钱,建设自己的网站,普通建站概念
归一化输入是一种常见的数据预处理技术#xff0c;旨在将不同特征的取值范围映射到相似的尺度#xff0c;从而帮助优化机器学习模型的训练过程。归一化可以提高模型的收敛速度、稳定性和泛化能力#xff0c;减少模型受到不同特征尺度影响的情况。
常见的归一化方法
…概念
归一化输入是一种常见的数据预处理技术旨在将不同特征的取值范围映射到相似的尺度从而帮助优化机器学习模型的训练过程。归一化可以提高模型的收敛速度、稳定性和泛化能力减少模型受到不同特征尺度影响的情况。
常见的归一化方法
Min-Max 归一化也称为线性归一化将特征的取值范围映射到 [0, 1] 区间。公式为 X norm X − X min X max − X min X_{\text{norm}} \frac{X - X_{\text{min}}}{X_{\text{max}} - X_{\text{min}}} XnormXmax−XminX−Xmin。
Z-Score 归一化也称为标准化将特征的均值调整为 0标准差调整为 1。公式为 X norm X − μ σ X_{\text{norm}} \frac{X - \mu}{\sigma} XnormσX−μ其中 μ \mu μ 是均值 σ \sigma σ 是标准差。
Robust 归一化通过移除特征的中位数并缩放到一个固定的四分位范围使得异常值不会对归一化结果产生太大影响。
代码示意
import numpy as np
from sklearn.preprocessing import MinMaxScaler, StandardScaler# 生成示例数据
data np.array([[1.0, 2.0, 3.0],[4.0, 5.0, 6.0],[7.0, 8.0, 9.0]])# Min-Max 归一化
min_max_scaler MinMaxScaler()
data_minmax min_max_scaler.fit_transform(data)
print(Min-Max 归一化后的数据)
print(data_minmax)# Z-Score 归一化
z_score_scaler StandardScaler()
data_zscore z_score_scaler.fit_transform(data)
print(Z-Score 归一化后的数据)
print(data_zscore)
