前言

在机器学习的算法训练数据前，一般要进行数据归一化，统一量纲。

以上图为例，样本间的距离被发现时间所主导，肿瘤大小就被忽略了。

将天换算成年之后，样本间的距离又被肿瘤大小所主导，发现时间被忽略了。
解决方法就是将所有数据映射到同一尺度。

最值归一化

将数据映射到0-1之间，适用于数据有明显边界的情况，如学生成绩，图片像素点等。

代码实现

import numpy as np 
 
x = np.random.randint(0, 10, 10) 
print(x) 
print((x - np.min(x)) / (np.max(x) - np.min(x))) 

输出结果为

[6 5 7 6 3 3 8 5 1 0] 
[0.75  0.625 0.875 0.75  0.375 0.375 1.    0.625 0.125 0.   ] 

都在0-1之间

0均值归一化

将数据映射到均值为0，标准差为1的分布中

mean表示数据的均值，S表示标准差

代码实现

import numpy as np 
 
x = np.random.randint(0, 10, 10) 
print(x) 
x2 = (x - np.mean(x)) / np.std(x) 
print(x2) 
print(np.mean(x2)) 
print(np.std(x2)) 

输出结果为

[4 1 9 3 7 3 0 1 2 0] 
[ 0.35355339 -0.70710678  2.12132034  0.          1.41421356  0. 
 -1.06066017 -0.70710678 -0.35355339 -1.06066017] 
0.0 
0.9999999999999999 

均值为0，标准差为1

sklearn中的数据归一化

sklearn是机器学习常用的第三方模块，封装了常用的机器学习算法。

import numpy as np 
from sklearn.preprocessing import StandardScaler 
 
x = np.random.randint(0, 10, 10) 
x = np.array(x, dtype=float).reshape(2, 5) 
print(x) 
scaler = StandardScaler() 
scaler.fit(x) 
x = scaler.transform(x) 
print(np.mean(x)) 
print(np.std(x)) 

StandardScaler就是sklearn提供的进行数据归一化的工具，内部也是使用0均值归一化的方法。