Python |如何以及在哪里应用特征缩放？
特征缩放或标准化:是数据预处理的一个步骤，应用于数据的自变量或特征。它基本上有助于在特定范围内规范化数据。有时，它也有助于加速算法中的计算。
使用的包装:
sklearn.preprocessing
进口:
from sklearn.preprocessing import StandardScaler
后端 标准化中使用的公式将这些值替换为它们的 Z 分数。
大多数情况下，拟合方法用于特征缩放
fit(X, y = None)
Computes the mean and std to be used for later scaling.
计算机编程语言
import pandas as pd
from sklearn.preprocessing import StandardScaler
# Read Data from CSV
data = read_csv('Geeksforgeeks.csv')
data.head()
# Initialise the Scaler
scaler = StandardScaler()
# To scale data
scaler.fit(data)
为什么以及在哪里应用特征缩放？ 真实数据集包含幅度、单位和范围差异很大的要素。当一个特征的尺度不相关或具有误导性时，应进行标准化，当尺度有意义时，不应进行标准化。
使用欧几里德距离度量的算法对量值敏感。这里，特征缩放有助于平等地权衡所有特征。
从形式上来说，如果数据集中的某个要素与其他要素相比规模较大，那么在测量欧几里德距离的算法中，这个规模较大的要素将占据主导地位，需要进行归一化。
特征缩放很重要的算法示例 1。 K-Means 在这里使用欧几里德距离度量特征比例关系。 2。 K 近邻也需要特征缩放。 3。主成分分析:试图得到方差最大的特征，这里也需要特征缩放。 4。梯度下降:特征缩放后，随着θ计算变快，计算速度增加。
注意:朴素贝叶斯、线性判别分析和基于树的模型不受特征缩放的影响。 简而言之，任何基于而不是距离的算法都是受到特征缩放影响的而不是。
版权属于：月萌API www.moonapi.com，转载请注明出处
