SkLearn 中的缩放操作 - Python

当我们使用机器学习算法时，我们经常需要调整不同特征的值范围和大小。SkLearn中的缩放操作提供了一种简单的方式来完成这些调整。在本文中，我们将介绍两种常用的缩放操作：标准化和归一化。

标准化

标准化是指将每个特征的值减去其均值，然后将差值除以其标准差。标准化后的值具有零均值和单位方差，这使得它们可以更好地适应某些机器学习算法，如支持向量机（SVM）和线性回归。下面是标准化的代码示例：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

归一化

归一化是指将每个特征的值缩放到一个固定范围内，通常是0和1之间或-1和1之间。归一化后的值具有相似的大小和比例，这使得它们可以更好地适应某些机器学习算法，如神经网络和K近邻算法。下面是归一化的代码示例：

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

无论我们选择哪种缩放操作，都需要在训练集上拟合缩放器，然后使用相同的缩放器在测试集上进行缩放。这可以确保我们在测试集上获得与训练集相同的范围和大小。