优达笔记-特征缩放

特征缩放

特征缩放这个名字听起来很腻害的样子，实际上它讲了一个非常浅显的方法。

例如下面的Cameront1身高5.9，体重175，他穿L号的衣服。
Sarah体重115，身高5.2，她穿S号的衣服。
那么有个人叫Chris，他体重140，身高6.1，应该穿了L还是S呢？

我们可以合理的猜测一下，Chris的身高6.1更接近Cameron的5.9的身高，因此可以和他一样穿L号的，当然你也可以有其他的猜测，例如根据体重

特征缩放就讲的这么一回事，公式如下：

x'=\frac{x-x_{min}}{x_{max}-x_{min}}

例如刚刚的图片中，我们的身高有[115,140,174]，这里的最大值是175，最小值是115，那么140的缩放值就是

x_{140}'=\frac{140-115}{175-115}≈0.417

这中做法的有好有坏：
好处 ：得到的值都是0~1之间的，很方便

坏处：如果存在异常值，那么结果就很不可靠

在Python中实践特征缩放

这个公式非常简单，当然你也可以自己编写代码来计算，不过我们要用到的是Sklearn文档中的函数，因为这样子更懒~

打开Sklearn的MinMaxScaler函数，会看到下面的代码示例：

然后我们打开Python的终端来操作一下刚刚例子中的身高数组[115,140,174]

>>> from sklearn.preprocessing import MinMaxScaler
>>> import numpy
>>> weights=numpy.array([[115.],[140.],[175.]])
>>> scaler=MinMaxScaler()
>>> rescaled_weight=scaler.fit_transform(weights)
>>> rescaled_weight
array([[0.        ],
       [0.41666667],
       [1.        ]])

需要注意的是【使用RBF核函数的SVM】和【K-均值聚类】算法都会收到【特征缩放】的影响，而【决策树】和【线性回归】则不会受到影响

你的赞是对作者莫大的支持哦~?

如果你想看其他的关于机器学习的一些知识，可以关注我的知乎专栏，我是一个机器学习小白，初学者总会遇到各种各样的困难，我会从初学者的角度把每一个坑都给你仔仔细细的讲明白咯~