- Min-max 规范化
将原始数据规范到[0-1]之间,公式如下:
1 | 新数值=(原数值-极小值)/(极大值-极小值) |
代码实现:
1 | # coding:utf-8 |
2.Z-Score规范化
假设 A 与 B 的考试成绩都为 80 分,A 的考卷满分是 100 分(及格 60 分),B 的考卷满分是 500 分(及格 300
分)。虽然两个人都考了 80 分,但是 A 的 80 分与 B 的 80 分代表完全不同的含义。
那么如何用相同的标准来比较 A 与 B 的成绩呢?Z-Score 就是用来可以解决这一问题的。
公式如下:
1 | 新数值 =(原数值 - 均值)/ 标准差。 |
代码实现:
1 | from sklearn import preprocessing |
我们能看到 Z-Score 的优点是算法简单,不受数据量级影响,结果易于比较。不足在于,它需要数据整体的平均值和方差,而且结果没有实际意义,只是用于比较。
3.小数定标规范
小数定标规范化就是通过移动小数点的位置来进行规范化。小数点移动多少位取决于属性 A 的取值中的最大绝对值。
举个例子,比如属性 A 的取值范围是 -999 到 88,那么最大绝对值为 999,小数点就会移动 3 位,即新数值 = 原数值 /1000。那么 A 的取值范围就被规范化为 -0.999 到 0.088。
代码实现:
1 | # coding:utf-8 |