目录
0-1标准化:
对输出结果范围有要求,数据较为稳定的,不存在极端的最大最小值
z-score标准化:
数据存在异常值和较多的噪音,可以间接通过中心化避免异常值和极端值的影响
实现z-score标准化
from sklearn.preprocessing import StandardScaler #实现z-score标准化X_test=df_sum.iloc[:,-3:] #实例化对象b_test=StandardScaler() #训练数据,赋值给b_testX_result=b_test.fit_transform(X_test) print(X_result) #查看训练数据
实现0-1标准化
from sklearn.preprocessing import MinMaxScalerX_test=df_sum.iloc[:,-3:] #实例化对象b_test=MinMaxScaler() #训练数据,赋值给b_testX_result=b_test.fit_transform(X_test) print(X_result) #查看训练数据
实现z-score标准化
#定义标准化函数import numpy as npdef z_score_normalize(data): mean = np.mean(data, axis=0) std_dev = np.std(data, axis=0) normalized_data = (data - mean) / std_dev return normalized_data
#调用X=df_sum.iloc[:,-3:]b=z_score_normalize(X)print(b)
实现0-1标准化
#定义0-1标准化的代码import numpy as npdef normalize(X): """ 对矩阵X进行0-1标准化 """ X_min = np.min(X, axis=0) X_max = np.max(X, axis=0) X_norm = (X - X_min) / (X_max - X_min) return X_norm
#实现与调用X=df_sum.iloc[:,-3:]b=normalize(X)print(b)
来源地址:https://blog.csdn.net/qq_51697761/article/details/129898992