http://bilibili.com/video/BV184411Q7Ng?p=9

Python程式舉例：

"""
對資料進行歸一化處理
"""
from sklearn.preprocessing import MinMaxScaler






def mMinMaxScaler():
    """
    對資料進行歸一化處理
    :return:
    """
    mMinMaxScaler=MinMaxScaler()
    data=mMinMaxScaler.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13
 
,46],])
    print(data)
    return None

if __name__=="__main__":
    mMinMaxScaler()

執行結果：

C:\Users\TJ\AppData\Local\Programs\Python\Python37\python.exe D:/qcc/python/mnist/data_guiyihua.py
[[1. 0. 0. 0. ]
[0. 1. 1. 0.83333333]
[0.5 0.5 0.6 1. ]]

Process finished with exit code 0

註解：

1. 對於每一列特徵都要處理。

"""
對資料進行歸一化處理
"""
from sklearn.preprocessing import MinMaxScaler






def mMinMaxScaler():
    """
    對資料進行歸一化處理
    :return:
    """
    mMinMaxScaler=MinMaxScaler(feature_range=(2,3))
    data=mMinMaxScaler.fit_transform([[90,2,10,40],[60,4,15
 
,45],[75,3,13,46],])
    print(data)
    return None

if __name__=="__main__":
    mMinMaxScaler()

執行結果：

註解:

1. 歸一化到一個指定的區間。
2. 預設是歸一化到[0, 1]的。

註解：

1. 飛行里程數多的話，可能這個人是個商務人士，但同時陪伴家人的時間可能很少。
2. 覺得3個特徵同等重要的時候，就要對資料進行歸一化處理。

註解：

1. 如果不進行歸一化，小值將淹沒在大值中，小值的參考作用將失去。

註解：

1. 在做歸一化的時候，如果有異常點，會怎樣？
2. 歸一化對異常點無法抵抗，會造成資料歸一化錯誤。

"""
對資料進行歸一化處理
"""
from sklearn.preprocessing import MinMaxScaler






def mMinMaxScaler():
    """
    對資料進行歸一化處理
    :return:
    """
    mMinMaxScaler=MinMaxScaler(feature_range=(0,1))
    data=mMinMaxScaler.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46],])
    print(data)
    return None

if __name__=="__main__":
    mMinMaxScaler()

無異常資料的歸一化結果：

"""
對資料進行歸一化處理
"""
from sklearn.preprocessing import MinMaxScaler






def mMinMaxScaler():
    """
    對資料進行歸一化處理
    :return:
    """
    mMinMaxScaler=MinMaxScaler(feature_range=(0,1))
    data=mMinMaxScaler.fit_transform([[90,2,10,1040],[60,4,15,45],[75,3,13,46],])
    print(data)
    return None

if __name__=="__main__":
    mMinMaxScaler()

有異常資料之後的歸一化結果：

解決辦法：標準化。

資料標準化示例程式碼:

"""
對資料進行標準化處理
"""
from sklearn.preprocessing import MinMaxScaler, StandardScaler






def stdardScaler():
    """
    對資料進行標準化處理,即處理成均值為0，標準差為1的資料
    :return:
    """
    std=StandardScaler()
    data=std.fit_transform([[1.,-1.,3.],[2.,4.,2.],[4.,6.,-1.]])
    print(data)
    return None

if __name__=="__main__":
    stdardScaler()

執行結果：

註解：

1. 可以看到，沒一列的平均值都是0.
2. 相對於對資料進行歸一化，對資料進行標準化的好處是不容易受到異常點的影響。

註解：

1. 並不是所有資料都要進行歸一化、標準化的。