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
每次的天空8 分钟前
Android-自定义View的实战学习总结
android·学习·kotlin·音视频
重庆小透明15 分钟前
力扣刷题记录【1】146.LRU缓存
java·后端·学习·算法·leetcode·缓存
许白掰2 小时前
【stm32】HAL库开发——CubeMX配置RTC,单片机工作模式和看门狗
stm32·单片机·嵌入式硬件·学习·实时音视频
future14123 小时前
C#学习日记
开发语言·学习·c#
DIY机器人工房3 小时前
0.96寸OLED显示屏 江协科技学习笔记(36个知识点)
笔记·科技·stm32·单片机·嵌入式硬件·学习·江协科技
我是小哪吒2.05 小时前
书籍推荐-《对抗机器学习:攻击面、防御机制与人工智能中的学习理论》
人工智能·深度学习·学习·机器学习·ai·语言模型·大模型
✎ ﹏梦醒͜ღ҉繁华落℘6 小时前
WPF学习(四)
学习·wpf
✎ ﹏梦醒͜ღ҉繁华落℘6 小时前
WPF学习(动画)
学习·wpf
循环过三天7 小时前
3-1 PID算法改进(积分部分)
笔记·stm32·单片机·学习·算法·pid
生如夏花℡7 小时前
HarmonyOS学习记录3
学习·ubuntu·harmonyos