一、标准化（Z-score），或者去除均值和方差缩放
公式为：(X-mean)/std 计算时对每个属性/每列分别进行。
将数据按期属性（按列进行）减去其均值，并处以其方差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。
实现时，有两种不同的方式：
-
使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标准化。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
二、将属性缩放到一个指定范围
除了上述介绍的方法之外，另一种常用的方法是将属性缩放到一个指定的最大和最小值（通常是1-0）之间，这可以通过preprocessing.MinMaxScaler类实现。
1、对于方差非常小的属性可以增强其稳定性。
2、维持稀疏矩阵中为0的条目。
3
4
12
19
20
21
22
23
24
np.array([[ @H_502_63@
2.@H_502_63@
],@H_502_63@
... [ @H_502_63@
502_63@
]])@H_502_63@
...@H_502_63@
>>> X_train_minmax@H_502_63@
0.5@H_502_63@
502_63@
0.33333333@H_502_63@
502_63@
]])@H_502_63@
>>> X_test_minmax@H_502_63@
>>> min_max_scaler.scale_ @H_502_63@
...])@H_502_63@
>>> min_max_scaler.min_ @H_502_63@
...])@H_502_63@
