机器学习 —— 数据缩放

摘要：数据缩放是机器学习中重要的预处理技术，主要包括归一化和标准化两种方法。归一化将特征值缩放到0-1范围，标准化则将特征调整为均值为0、标准差1的分布。Python中可通过sklearn的StandardScaler实现标准化处理，示例展示了鸢尾花数据集缩放前后的对比，使用fit_transform()方法完成数据拟合和转换。数据缩放能消除特征量纲差异，提升模型性能。

目录

[机器学习 ------ 数据缩放](#机器学习 —— 数据缩放)

示例

输出结果

缩放前的数据：

缩放后的数据：

---

机器学习 ------ 数据缩放

数据缩放（Data Scaling）是机器学习中的一种数据预处理技术，用于对数据中特征的取值范围或分布进行归一化（Normalization）或标准化（Standardization）处理。数据缩放至关重要，因为数据中的不同特征可能具有不同的量纲，而部分算法在处理此类数据时性能会受影响。通过数据缩放，可使每个特征的量纲和取值范围保持一致，从而提升机器学习模型的性能。

数据缩放主要包含两种常用技术：

1. 归一化（Normalization）：将特征值缩放至 0 到 1 之间。具体实现方式为：用该特征的每个取值减去该特征的最小值，再除以该特征的取值范围（即最大值与最小值的差值）。
2. 标准化（Standardization）：将特征值缩放至均值为 0、标准差为 1 的分布状态。具体实现方式为：用该特征的每个取值减去该特征的均值，再除以该特征的标准差。

示例

在 Python 中，可通过 sklearn 模块实现数据缩放。sklearn.preprocessing 子模块提供了用于数据缩放的相关类。以下是使用 StandardScaler 类实现标准化的示例代码：

from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
import pandas as pd

# 加载鸢尾花数据集
data = load_iris()
X = data.data  # 特征数据
y = data.target  # 目标变量

# 将数据集转换为 DataFrame 格式
df = pd.DataFrame(X, columns=data.feature_names)
print("缩放前的数据：")
print(df.head())

# 使用 StandardScaler 对数据进行标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)  # 拟合数据并完成缩放转换

# 将缩放后的特征数据转换为新的 DataFrame
df_scaled = pd.DataFrame(X_scaled, columns=data.feature_names)
print("缩放后的数据：")
print(df_scaled.head())

在本示例中，首先加载鸢尾花（Iris）数据集并将其转换为 DataFrame 格式，随后使用 StandardScaler 类对特征数据进行标准化处理，生成缩放后的新 DataFrame。最后通过打印两个 DataFrame，对比数据缩放前后的差异。需注意的是，此处通过缩放器对象的 fit_transform() 方法同时完成了数据拟合与转换操作。

输出结果

运行上述代码后，将得到如下输出：

缩放前的数据：

	花萼长度（厘米）	花萼宽度（厘米）	花瓣长度（厘米）	花瓣宽度（厘米）
0	5.1	3.5	1.4	0.2
1	4.9	3.0	1.4	0.2
2	4.7	3.2	1.3	0.2
3	4.6	3.1	1.5	0.2
4	5.0	3.6	1.4	0.2

缩放后的数据：

	花萼长度（厘米）	花萼宽度（厘米）	花瓣长度（厘米）	花瓣宽度（厘米）
0	-0.900681	1.019004	-1.340227	-1.315444
1	-1.143017	-0.131979	-1.340227	-1.315444
2	-1.385353	0.328414	-1.397064	-1.315444
3	-1.506521	0.098217	-1.283389	-1.315444
4	-1.021849	1.249201	-1.340227	-1.315444

---