數(shù)據(jù)歸一化、標(biāo)準(zhǔn)化、正則化

1、歸一化

是將數(shù)據(jù)放縮到0~1區(qū)間，利用公式(x-min)/(max-min)

2、標(biāo)準(zhǔn)化

將數(shù)據(jù)轉(zhuǎn)化為標(biāo)準(zhǔn)的正態(tài)分布，均值為0，方差為1

3、正則化

正則化的主要作用是防止過擬合，對模型添加正則化項可以限制模型的復(fù)雜度，使得模型在復(fù)雜度和性能達(dá)到平衡。

常用的正則化方法有L1正則化和L2正則化。L1正則化和L2正則化可以看作是損失函數(shù)的懲罰項。所謂“懲罰”就是對損失函數(shù)中的某些參數(shù)做一些限制。

4、代碼測試

4.1 導(dǎo)庫

import pandas as pd

import numpy as np

from sklearn.preprocessing import MinMaxScaler

from sklearn.preprocessing import StandardScaler

from sklearn.preprocessing import Normalizer1

2

3

4

5

6

4.2 創(chuàng)建數(shù)據(jù)

x=np.random.randint(1,1000,(10000,5))

x=pd.DataFrame(x)1

2

4.3 查看原始數(shù)據(jù)的均值、方差

display(x.mean())

display(x.var())1

2

4.4 歸一化

from sklearn.preprocessing import MinMaxScaler

x_min=MinMaxScaler().fit_transform(x)

x_min=pd.DataFrame(x_min)

display(x_min.mean())

display(x_min.var())1

2

3

4

5

4.5 標(biāo)準(zhǔn)化

from sklearn.preprocessing import StandardScaler

x_std=StandardScaler().fit_transform(x)

x_std=pd.DataFrame(x_std)

display(x_std.mean())

display(x_std.var())1

2

3

4

5

4.6 正則化

from sklearn.preprocessing import Normalizer

x_nor=Normalizer().fit_transform(x)

x_nor=pd.DataFrame(x_nor)1

2

3

文章來源: blog.csdn.net，作者：魏寶航，版權(quán)歸原作者所有，如需轉(zhuǎn)載，請聯(lián)系作者。

原文鏈接：blog.csdn.net/m0_47256162/article/details/113791082

總結(jié)

以上是生活随笔為你收集整理的python 归一化_Python 数据归一化、标准化、正则化 （机器学习）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。