python 特点归一化

在机器学习中，特点归一化是一项重要的预处理步骤。特点归一化的目的是将区别范围的特点值缩放到相同的范围，并且在一些模型中能够提升模型的效果。

import numpy as np
def min_max_scaling(feature):
"""
min-max scaling，归一化到[0, 1]之间
"""
return (feature - np.min(feature)) / (np.max(feature) - np.min(feature))
def z_score_scaling(feature):
"""
z-score scaling，标准差归一化
"""
return (feature - np.mean(feature)) / np.std(feature)

代码中实现了两种常见的特点归一化方法，分别是min-max scaling和z-score scaling。

min-max scaling将特点值缩放到[0,1]之间，公式为：

X' = (X - X_min) / (X_max- X_min)

其中，X是原始特点值，X'_min和X'_max是归一化后的区间值。

z-score scaling则是将特点值转化为标准正态散布，公式为：

X' = (X - μ) / σ

其中，μ是特点值的均值，σ是特点值的标准差，X'是归一化后的特点值。

在python中，我们可使用numpy库来实现特点归一化的操作。使用该库可以方便地对全部数组或矩阵进行向量化操作，提高了代码的效力。