2020-03-25
阅读量:
1462
机器学习：MinMax归一化
MinMax归一化，区间缩放发利用了边界值信息，将属性缩放到[0,1]，减去最小值除以最大值与最小值的插值，实现代码如下：
From sklearn.preprocessing import MinMaxScaler
#区间缩放，返回值为缩放到[0,1]区间的数据
minMaxScaler=MinMaxScaler().fit(X_train)
minMaxScaler.transform(X_train)这种归一化的方式存在的缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义，MinMaxScaler对异常值的存在非常敏感
MaxAbs归一法，单独的缩放和转换每个特征，使得训练集中的每个特征的最大绝对值将为1，将属性缩放到[-1,1]，因其不会移动或剧中数据，所以不会破坏任何稀疏性。样本数值除以做大值的绝对值，实现代码如下：
From sklearn.preprocessing import MaxAbsScaler
maxAbsScaler=MaxAbsScaler().fit(X_train)
maxAbsScaler.transform(X_train)
22.1471
5
0
关注作者
收藏
评论(0)
发表评论
暂无数据
推荐帖子
CDA持证人阿涛哥
2023-06-20
0条评论
CDA持证人阿涛哥
2021-03-31
0条评论
CDA持证人阿涛哥
2021-03-30
0条评论