使用sklearn进行数据预处理 —— 归一化/标准化/正则化

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

>>> from sklearn import preprocessing

>>> import numpy as np

>>> X = np.array([[ 1., -1.,  2.],

...               [ 2.,  0.,  0.],

...               [ 0.,  1., -1.]])

>>> X_scaled = preprocessing.scale(X)

>>> X_scaled                                         

array([[ 0.  ..., -1.22...,  1.33...],

       [ 1.22...,  0.  ..., -0.26...],

       [-1.22...,  1.22..., -1.06...]])

>>>#处理后数据的均值和方差

>>> X_scaled.mean(axis=0)

array([ 0.,  0.,  0.])

>>> X_scaled.std(axis=0)

array([ 1.,  1.,  1.])

  • 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

>>> scaler = preprocessing.StandardScaler().fit(X)

>>> scaler

StandardScaler(copy=True, with_mean=True, with_std=True)

>>> scaler.mean_                                     

array([ 1. ...,  0. ...,  0.33...])

>>> scaler.std_                                      

array([ 0.81...,  0.81...,  1.24...])

>>> scaler.transform(X)                              

array([[ 0.  ..., -1.22...,  1.33...],

       [ 1.22...,  0.  ..., -0.26...],

       [-1.22...,  1.22..., -1.06...]])

>>>#可以直接使用训练集对测试集数据进行转换

>>> scaler.transform([[-1.1., 0.]])               

array([[-2.44...,  1.22..., -0.26...]])

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。

使用这种方法的目的包括:

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。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

>>> X_train = np.array([[ 1., -1.2.],

...                     [ 2.0.0.],

...                     [ 0.1., -1.]])

...

>>> min_max_scaler = preprocessing.MinMaxScaler()

>>> X_train_minmax = min_max_scaler.fit_transform(X_train)

>>> X_train_minmax

array([[ 0.5       0.        1.        ],

       [ 1.        0.5       0.33333333],

       [ 0.        1.        0.        ]])

>>> #将相同的缩放应用到测试集数据中

>>> X_test = np.array([[ -3., -1.4.]])

>>> X_test_minmax = min_max_scaler.transform(X_test)

>>> X_test_minmax

array([[-1.5       0.        1.66666667]])

>>> #缩放因子等属性

>>> min_max_scaler.scale_                            

array([ 0.5       0.5       0.33...])

>>> min_max_scaler.min_                              

array([ 0.        0.5       0.33...])

当然,在构造类对象的时候也可以直接指定最大最小值的范围:feature_range=(min, max),此时应用的公式变为:

X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))

X_scaled=X_std/(max-min)+min

三、正则化(Normalization)

正则化的过程是将每个样本缩放到单位范数(每个样本的范数为1),如果后面要使用如二次型(点积)或者其它核方法计算两个样本之间的相似性这个方法会很有用。

Normalization主要思想是对每个样本计算其p-范数,然后对该样本中每个元素除以该范数,这样处理的结果是使得每个处理后样本的p-范数(l1-norm,l2-norm)等于1。

p-范数的计算公式:||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p

该方法主要应用于文本分类和聚类中。例如,对于两个TF-IDF向量的l2-norm进行点积,就可以得到这两个向量的余弦相似性。

1、可以使用preprocessing.normalize()函数对指定数据进行转换:


1

2

3

4

5

6

7

8

9

>>> X = [[ 1., -1.2.],

...      [ 2.0.0.],

...      [ 0.1., -1.]]

>>> X_normalized = preprocessing.normalize(X, norm=‘l2‘)

>>> X_normalized                                     

array([[ 0.40..., -0.40...,  0.81...],

       [ 1.  ...,  0.  ...,  0.  ...],

       [ 0.  ...,  0.70..., -0.70...]])

2、可以使用processing.Normalizer()类实现对训练集和测试集的拟合和转换:


1

2

3

4

5

6

7

8

9

10

11

12

>>> normalizer = preprocessing.Normalizer().fit(X)  # fit does nothing

>>> normalizer

Normalizer(copy=True, norm=‘l2‘)

>>>

>>> normalizer.transform(X)                           

array([[ 0.40..., -0.40...,  0.81...],

       [ 1.  ...,  0.  ...,  0.  ...],

       [ 0.  ...,  0.70..., -0.70...]])

>>> normalizer.transform([[-1.1., 0.]])            

array([[-0.70...,  0.70...,  0.  ...]])

时间: 2024-11-05 14:59:27

使用sklearn进行数据预处理 —— 归一化/标准化/正则化的相关文章

关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化

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 >>> from skle

[Scikit-Learn] - 数据预处理 - 归一化/标准化/正则化

reference: http://www.cnblogs.com/chaosimple/p/4153167.html 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

Matlab中的数据预处理-归一化(mapminmax)与标准化(mapstd)

一.mapminmax Process matrices by mapping row minimum and maximum values to [-1 1] 意思是将矩阵的每一行处理成[-1,1]区间,此时对于模式识别或者其他统计学来说,数据应该是每一列是一个样本,每一行是多个样本的同一维,即对于一个M*N的矩阵来说,样本的维度是M,样本数目是N,一共N列N个样本. 其主要调用形式有: 1. [Y,PS] = mapminmax(X,YMIN,YMAX) 2. [Y,PS] = mapmin

数据归一化,标准化,正则化

http://blog.csdn.net/pipisorry/article/details/52247379 http://webdataanalysis.net/data-analysis-method/data-normalization/ http://www.csuldw.com/2015/11/15/2015-11-15%20normalization/ http://blog.csdn.net/Dream_angel_Z/article/details/49406573 http:

Matlab中的数据预处理-归一化(mapminmax)与标准化(mapstd)

一.mapminmax 意思是将矩阵的每一行处理成[-1,1]区间,此时对于模式识别或者其他统计学来说,数据应该是每一列是一个样本,每一行是多个样本的同一维,即对于一个M*N的矩阵来说,样本的维度是M,样本的个数是N,一共N个样本. 其主要调用方式有: 1.[Y, PS] = mapminmax(X, Ymin, Ymax) 2.[Y, PS] = mapminmax(X, FP) 3.Y = 原文地址:https://www.cnblogs.com/LoganChen/p/9123746.ht

数据预处理之标准化

数据的标准化(Standardization)和归一化(Normalization)有什么区别? 关于数据的标准化和归一化区别的说法有点乱.总的来说有这么几种分法 1:不做区分,都意味着标准化. 2:大部分说法是这样的:归一化是这么一个过程$x' = \frac{x-x_{min}}{x_{max}-x_{min}}$ 而标准化是这么一个过程:  $x' = \frac{x-\mu}{\delta} \ \mu为数据的均值 \ \delta为方差$ 3:sklearn当中preprocessin

机器学习数据预处理——标准化/归一化方法总结

通常,在Data Science中,预处理数据有一个很关键的步骤就是数据的标准化.这里主要引用sklearn文档中的一些东西来说明,主要把各个标准化方法的应用场景以及优缺点总结概括,以来充当笔记. 首先,我要引用我自己的文章Feature Preprocessing on Kaggle里面关于Scaling的描述 Tree-based models doesn't depend on scaling Non-tree-based models hugely depend on scaling 一

Python初探——sklearn库中数据预处理函数fit_transform()和transform()的区别

敲<Python机器学习及实践>上的code的时候,对于数据预处理中涉及到的fit_transform()函数和transform()函数之间的区别很模糊,查阅了很多资料,这里整理一下: # 从sklearn.preprocessing导入StandardScaler from sklearn.preprocessing import StandardScaler # 标准化数据,保证每个维度的特征数据方差为1,均值为0,使得预测结果不会被某些维度过大的特征值而主导 ss = Standard

sklearn数据预处理

一.standardization 之所以标准化的原因是,如果数据集中的某个特征的取值不服从标准的正太分布,则性能就会变得很差 ①函数scale提供了快速和简单的方法在单个数组形式的数据集上来执行标准化操作 from sklearn import preprocessing import numpy as np X=np.array([[1,-1,2], [2,0,0], [0,1,-1]]) X_scaled=preprocessing.scale(X) print(X_scaled) "&q