机器学习——特征缩放

前言：大多数模型都是直接给出公式，其实自己私下有推导，涉及好多自己不懂的数学知识，会一点点补充的

机器学习专栏：机器学习专栏

特征缩放

1、特征缩放作用

面对特征数量较多的时候，保证这些特征具有相近的尺度（无量纲化），可以使梯度下降法更快的收敛。这两张图代表数据是否均一化的最优解寻解过程（左边是未归一化的），
从这两张图可以看出，数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解

2、特征缩放的四种方式

1. Min-Max Normalization（min-max标准化）
   $$x^{\ast }=\frac{x-min(x)}{max(x)-min(x)}$$
2. Mean normalization（mean归一化）
   $$x^{\ast }=\frac{x-mean(x)}{max(x)-min(x)}$$
3. Standarddization（z-score标准化）
   $$x^{\ast }=\frac{x-\bar{x}}{\sigma }$$
4. max标准化
   $$x^{\ast }=\frac{x}{max(x)}$$

3、sklearn实现特征缩放

# -*- coding: utf-8 -*-
"""
Created on Fri Nov 15 16:31:37 2019

@author: 1
"""

import pandas as pd
from sklearn import preprocessing 
 
#读取葡萄酒数据集
data = pd.read_csv("D:\workspace\python\machine learning\data\wine_data.csv",sep=',',header=None,skiprows=1)
x =data.iloc[:,1]
#获取数据的基本情况
print('获取数据的基本情况：',x.describe())
#我们不知道z的shape属性是多少,但是想让z变成只有一列，行数不知道多少，z.reshape(-1,1)
X_train=x.values.reshape(-1,1)

#min-max标准化
MinMax = preprocessing.MinMaxScaler()
X_MinMax = MinMax.fit_transform(X_train)
print('min-max标准化归一化后结果：',X_MinMax)

#z-score标准化
X_scaled = preprocessing.scale(X_train)
print("z-score标准化结果：",X_scaled)

#max标准化
X_max_scaler = preprocessing.MaxAbsScaler(X_train)
print("max标准化结果：",X_max_scaler)