MinMaxScaler, StandardScaler数据预处理中常用的两种缩放方法,用于将数据标准化或归一化到特定的范围或分布

MinMaxScalerStandardScaler 是数据预处理中常用的两种缩放方法,用于将数据标准化或归一化到特定的范围或分布。这两种缩放方法的主要区别在于它们的目标和实现方式。

MinMaxScaler

MinMaxScaler 会将数据缩放到一个指定的范围,通常是 [0, 1] 或 [-1, 1]。其目的是将数据映射到一个新的范围,使得数据的每个特征都有一个固定的范围。
MinMaxScaler 的数学表达式如下:
X scaled = X − X min X max − X min X_{\text{scaled}} = \frac{X - X_{\text{min}}}{X_{\text{max}} - X_{\text{min}}} Xscaled=Xmax−XminX−Xmin

这里, X min X_{\text{min}} Xmin 是数据中每个特征的最小值, X max X_{\text{max}} Xmax 是数据中每个特征的最大值。

StandardScaler

StandardScaler 则会将数据标准化到均值为 0,标准差为 1 的分布。其目的是使数据具有零均值和单位方差,这通常用于提高某些机器学习算法的性能。
StandardScaler 的数学表达式如下:
X scaled = X − μ σ X_{\text{scaled}} = \frac{X - \mu}{\sigma} Xscaled=σX−μ

这里, μ \mu μ 是数据中每个特征的均值, σ \sigma σ 是数据中每个特征的标准差。

使用场景

  • 当您希望每个特征的值都在一个固定的范围内时,例如在神经网络的输入层,MinMaxScaler 是一个很好的选择。
  • 当您希望特征具有零均值和单位方差时,例如在使用线性模型(如线性回归、逻辑回归)时,StandardScaler 通常是一个更好的选择。

实现

在 Python 的 scikit-learn 库中,您可以很容易地实现这两种缩放器。以下是 MinMaxScalerStandardScaler 的简单示例:

python 复制代码
from sklearn.preprocessing import MinMaxScaler, StandardScaler
import numpy as np
# 创建一个示例数据集
X = np.array([[1, 2], [3, 4], [5, 6]])
# 使用 MinMaxScaler
minmax_scaler = MinMaxScaler()
X_scaled_minmax = minmax_scaler.fit_transform(X)
# 使用 StandardScaler
standard_scaler = StandardScaler()
X_scaled_std = standard_scaler.fit_transform(X)

在实际应用中,选择哪种缩放器取决于您的具体需求和使用的算法。

相关推荐
_Kayo_27 分钟前
VUE2 学习笔记5 动态绑定class、条件渲染、列表过滤与排序
笔记·学习
waveee12340 分钟前
学习嵌入式的第三十四天-数据结构-(2025.7.29)数据库
数据结构·数据库·学习
xiaoxiaoxiaolll2 小时前
Adv. Sci. 前沿:非零高斯曲率3D结构可逆转换!液晶弹性体多级形变新策略
学习
xiaoli23274 小时前
课题学习笔记3——SBERT
笔记·学习·nlp·bert
缘友一世5 小时前
Agent常用搜索引擎Tavily使用学习
学习·搜索引擎·agent
超浪的晨5 小时前
JavaWeb 入门:JavaScript 基础与实战详解(Java 开发者视角)
java·开发语言·前端·javascript·后端·学习·个人开发
Magnetic_h5 小时前
【iOS】类和分类的加载过程
笔记·学习·ios·objective-c·xcode
努力的小帅6 小时前
C++_红黑树树
开发语言·数据结构·c++·学习·算法·红黑树
hweiyu006 小时前
学习Scala语言的最佳实践有哪些?
开发语言·学习·scala
停走的风7 小时前
Yolo底层原理学习--(第二篇)
深度学习·学习·yolo