• 給出這三個人的身高和體重：

• 按照我們的理解，明顯Chris應該穿L碼，但是根據身高+體重的結果，Chris卻應該穿S。這是為什麽呢？

因為在這裏，體重完全主導了結果，身高的影響微乎其微。
而我們應該盡量讓兩者對結果有同等重要的影響。
這就引來了特征縮放——把特征都限制在[0,1]之間。

解釋：

• X’是你要構建的新特征
• X（max）和X（min）是原始特征再被縮放前所取的最小值和最大值
• X代表需要縮放的各項特征的原始值

特點：縮放後的特征值總是在0和1之間

• 優點：你的預估輸出相對穩定

• 缺點：如果你的輸出特征中有異常值，那麽你的特征縮放就會比較棘手（最大值最小值可能是極端值）

代碼示例：

from sklearn.preprocessing import MinMaxScaler
import numpy
#這裏numpy數組中的是特征，因為此處特征只有一個，所以看起來是這樣的
#因為這裏應該作為一個浮點數進行運算，所以數字後面要加.
weights = numpy.array([[115.],[140.],[175.]])
scaler = MinMaxScaler()
rescaled_weight = scaler.fit_transform(weights)
print rescaled_weight

哪些機器學習算法會受到特征縮放的影響？

1. 使用RBF核函數的SVN
2. K-均值聚類

在這兩種算法中計算距離時，你其實是在利用一個維度與另一個維度進行交換

如：

• SVM計算最大距離時就是這種情況。如果我們把某一點增大至其他點的兩倍，那麽它的數值也會擴大一倍
• K-均值聚類也是。計算各數據點到集群中心的距離

特征縮放_概念