什么是归一化，它与标准化的区别是什么？
一 作用
复制代码
在做训练时，需要先将特征值与标签标准化，可以防止梯度防炸和过拟合；
将标签标准化后，网络预测出的数据是符合标准正态分布的—StandarScaler()，与真实值有很大差别。因为StandarScaler()对数据的处理是（真实值-平均值）/标准差。
同时在做预测时需要将输出数据逆标准化
提升模型精度：标准化 / 归一化使不同维度的特征在数值上更具比较性，提高分类器的准确性。
提升收敛速度：对于线性模型，数据归一化使梯度下降过程更加平缓，更易正确的收敛到最优解。
复制代码
fit+transform
fit():简单来说，就是求得训练集X的均值，方差，最大值，最小值,这些训练集X固有的属性。
transform:在fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA,StandardScaler等）。可以进行逆标准化处理
fit_transform
若只用一批数据相当与fit+transform；
对于多批数据，若分别使用fit_transform，这几批数据对应的平均值、标准差、最大值、最小值不相同；对于多批数据，若先使用fit再分别使用transform，这几批数据对应的平均值、标准差、最大值、最小值都与fit(X)中的处理方式相同；
不可以进行逆标准化处理
三.
1标准差标准化 StandardScaler
复制代码
from sklearn.preprocessing import StandardScaler
使用均值与方差，对服从正态分布的数据处理，得到符合标准正态分布的数据
处理方法：标准化数据减去均值，然后除以标准差，经过处理后数据符合标准正态分布，即均值为0，标准差为1；
转化函数：x = (x-mean) / std；
适用性：适用于本身服从正态分布的数据；
Outlier（异常值）的影响：基本可用于有outlier的情况，但在计算方差和均值时outliers仍然会影响计算。
复制代码
from sklearn.preprocessing import StandardScaler
data['normAmount'] = StandardScaler().fit_transform(data['Amount'].values.reshape(-1, 1))
data = data.drop(['Time','Amount'],axis=1)
data.head()
2.极差标准化 / 归一化 MinMaxScaler
复制代码
from sklearn.preprocessing import MinMaxScaler
区间缩放，基于最大最小值，将数据转换到0,1区间上的
处理方法：将特征缩放到给定的最小值和最大值之间，也可以将每个特征的最大绝对值转换至单位大小。这种方法是对原始数据的线性变换，将数据归一到[0,1]中间；
转换函数：x = (x-min) / (max-min)；
适用性：适用于分布范围较稳定的数据，当新数据的加入导致max/min变化，则需重新定义；
Outlier（异常值） 的影响：因为outlier会影响最大值或最小值，因此对outlier非常敏感。
复制代码
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
# 加载数据
iris_data = pd.read_csv('./dataset/iris.csv')
# 获取特征
X = iris_data[['sepal_length', 'sepal_width', 'petal_length', 'petal_width']].values
# 获取标签
y = iris_data['label'].values
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3, random_state=10)
# 在训练集上进行归一化
X_train_scaled = scaler.fit_transform(X_train)
# 在测试集上使用相同的scaler进行归一化
X_test_scaled = scaler.transform(X_test)
3. 稳健标准化 RobustScaler
复制代码
from sklearn.preprocessing import RobustScaler
使用具有鲁棒性的统计量缩放带有异常值（离群值）的数据
处理方法：该缩放器删除中位数，并根据百分位数范围（默认值为IQR：四分位间距）缩放数据；
IQR：是第1个四分位数（25%）和第3个四分位数（75%）之间的范围；
适用性：适用于包含许多异常值的数据；
Outlier 的影响：RobustScaler 利用IQR进行缩放来弱化 outlier 的影响。