溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
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。
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。
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)
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，請關注億速云行業資訊頻道，感謝大家的支持。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
