数据归一化的三种方法
- min-max归一化 python示例： from sklearn import preprocessing X=[ [1,2,3], [2,2,1], [3,4,5]] #按照列对数据进行归一化 min_max_scaler = preprocessing.MinMaxScaler() X = min_max_scaler.fit_transform(X) print(X) 运行结果：
- Z-score 归一化后的数据服从正态分布 python示例： from sklearn import preprocessing #每一行表示一个样本，每一列表示一个属性 X=[ [1,2,3], [2,2,1], [3,4,5]] #按照列对数据进行归一化 X=preprocessing.scale(X) print(X) 运行结果：
- 小数定标法 通过移动属性A的小数点进行规范化，小数点的移动依赖于A的最大绝对值： 例：假定A的取值范围为[-691,14],则A的最大绝对值为691，每个值除以1000（j=3),-691就被规范化为-0.691，14被规范化为0.014 python 示例： import numpy as np X=[ [1,2,3], [2,2,1], [3,4,5]] X=np.array(X) #按照列对数据进行归一化 j=np.ceil(np.log10(np.max(abs(X)))) X = X/(10**j) print(X) 运行结果：
上一篇：
通过多线程提高代码的执行效率例子