標(biāo)準(zhǔn)化：在機(jī)器學(xué)習(xí)中，我們可能要處理不同種類的資料，例如，音訊和圖片上的像素值，這些資料可能是高緯度的，資料標(biāo)準(zhǔn)化后會使得每個(gè)特征中的數(shù)值平均變?yōu)?(將每個(gè)特征的值都減掉原始資料中該特征的平均)，標(biāo)準(zhǔn)差變?yōu)?，這個(gè)方法被廣泛的使用在許多機(jī)器學(xué)習(xí)算法中(例如：支持向量機(jī)，邏輯回歸和類神經(jīng)網(wǎng)絡(luò))。

StandardScaler計(jì)算訓(xùn)練集的平均值和標(biāo)準(zhǔn)差，以便測試數(shù)據(jù)及使用相同的變換。

變換后各維特征有0均值，單位方差，也叫z-score規(guī)范化(零均值規(guī)范化)，計(jì)算方式是將特征值減去均值，除以標(biāo)準(zhǔn)差。

fit

用于計(jì)算訓(xùn)練數(shù)據(jù)的均值和方差，后面就會用均值和方差來轉(zhuǎn)換訓(xùn)練數(shù)據(jù)

fit_transform

不僅計(jì)算訓(xùn)練數(shù)據(jù)的均值和方差，還會基于計(jì)算出來的均值和方差來轉(zhuǎn)換訓(xùn)練數(shù)據(jù)，從而把數(shù)據(jù)轉(zhuǎn)化成標(biāo)準(zhǔn)的正態(tài)分布。

transform

很顯然，它只是進(jìn)行轉(zhuǎn)換，只是把訓(xùn)練數(shù)據(jù)轉(zhuǎn)換成標(biāo)準(zhǔn)的正態(tài)分布。(一般會把train和test集放在一起做標(biāo)準(zhǔn)化，或者在train集上做標(biāo)準(zhǔn)化后，用同樣的標(biāo)準(zhǔn)化器去標(biāo)準(zhǔn)化test集，此時(shí)可以使用scaler)。

data=[[0,0],[0,0],[1,1],[1,1]]

#1.基于mean和std的標(biāo)準(zhǔn)化

scaler=preprocessing.StandardScaler().fit(train_data)

scaler.transform(train_data)

scaler.transform(test_data)

一般來說先使用fit：

1scaler=preocessing.StandardScaler().fit(X)

這一步可以計(jì)算得到scaler，scaler里面存的有計(jì)算出來的均值和方差。

再使用transform

1scaler.transform(X)

這一步再用scaler中的均值和方差來轉(zhuǎn)換X，使X標(biāo)準(zhǔn)化。

最后，在預(yù)測的時(shí)候，也要對數(shù)據(jù)做同樣的標(biāo)準(zhǔn)化處理，即也要用上面的scaler中的均值和方差來對預(yù)測時(shí)候的特征進(jìn)行標(biāo)準(zhǔn)化。

注意：測試數(shù)據(jù)和預(yù)測數(shù)據(jù)的標(biāo)準(zhǔn)化的方式要和訓(xùn)練數(shù)據(jù)標(biāo)準(zhǔn)化的方式一樣，必須使用同一個(gè)scaler來進(jìn)行transform

以上內(nèi)容為大家介紹了python數(shù)據(jù)標(biāo)準(zhǔn)化，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。