Sxklearn.preprocessing之StandardScaler 的transform()函式和fit_transform()函式清晰講解及其案例應用--已解決
阿新 • • 發佈：2020-12-27
樓主之前因為transform()函式和fit_transform()函式兩個函式的功能和實現傻傻分不清楚，現在總結一下，主要是看了一位大神的講解：
新增連結描述
1.兩函式功能
首先我們要明確： fit(x,y)傳兩個引數的是有監督學習的演算法；fit(x)傳一個引數的是無監督學習的演算法，比如降維、特徵提取、標準化。
函式實現的功能：
使用公式如下：
其中μ是均值， σ是標準差。目的是使資料服從均值為零，標準差為1的標準正態分佈。 一般標準化都是給訓練集資料做的，但在以下情況中也必須做資料標準化：交叉驗證時的測試集，或預測前獲得了一組新的樣本等。而在對新的資料或測試集進行標準化時，我們所用的是訓練集標準化中的均值μ和標準差σ。因此經常有程式碼這樣寫：
from sklearn.preprocessing import StandardScaler ss= StandardScaler() X_train = ss.fit_transform(X_train) X_test = ss.transform(X_test)
即fit_transform()用在訓練集上先計算了訓練集資料的均值μ和標準差σ，並以此均值μ和標準差σ對訓練集進行標準化。
fit_transform是fit和transform的組合。fit_transform中包含兩個過程：計算均值/標準差，資料轉換，是資料處理的兩個環節。每一個transform都需要先fit，把資料轉為(μ, σ)分佈。fit是為了程式的後續函式transform的呼叫而服務的，是個前提條件。
2.兩者之間的聯絡
fit_transform和transform的區別就是前者是先計算均值和標準差再轉換，而直接transform則是用之前資料計算的引數進行轉換。換句話說，如果最先前沒有fit，即沒有快取(μ, σ)，那麼，是不可以直接執行transform。很明顯，fit_transform與transform執行結果會一致，如果先前快取一致，那麼，transform函式是一定可以替換為fit_transform函式，反之，則不可以。
簡單記錄一下，希望可以幫到你。