python中進(jìn)行歸一化的方法

這篇文章將為大家詳細(xì)講解有關(guān)python中進(jìn)行歸一化的方法，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

歸一化 (Normalization)：

屬性縮放到一個(gè)指定的最大和最小值（通常是1-0）之間，這可以通過preprocessing.MinMaxScaler類實(shí)現(xiàn)。

常用的最小最大規(guī)范化方法(x-min(x))/(max(x)-min(x))

python實(shí)現(xiàn)歸一化的方法：

1、(0,1)標(biāo)準(zhǔn)化：

這是最簡(jiǎn)單也是最容易想到的方法，通過遍歷feature vector里的每一個(gè)數(shù)據(jù)，將Max和Min的記錄下來(lái)，并通過Max-Min作為基數(shù)（即Min=0，Max=1）進(jìn)行數(shù)據(jù)的歸一化處理：

def MaxMinNormalization(x,Max,Min):
    x = (x - Min) / (Max - Min);
    return x

2、Z-score標(biāo)準(zhǔn)化：

這種方法給予原始數(shù)據(jù)的均值（mean）和標(biāo)準(zhǔn)差（standard deviation）進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化。經(jīng)過處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1，這里的關(guān)鍵在于復(fù)合標(biāo)準(zhǔn)正態(tài)分布，個(gè)人認(rèn)為在一定程度上改變了特征的分布，轉(zhuǎn)化函數(shù)為：

實(shí)現(xiàn)代碼：

def Z_ScoreNormalization(x,mu,sigma):
    x = (x - mu) / sigma;
    return x

3、Sigmoid函數(shù)：

Sigmoid函數(shù)是一個(gè)具有S形曲線的函數(shù)，是良好的閾值函數(shù)，在(0, 0.5)處中心對(duì)稱，在(0, 0.5)附近有比較大的斜率，而當(dāng)數(shù)據(jù)趨向于正無(wú)窮和負(fù)無(wú)窮的時(shí)候，映射出來(lái)的值就會(huì)無(wú)限趨向于1和0，是個(gè)人非常喜歡的“歸一化方法”。

之所以打引號(hào)是因?yàn)槲矣X得Sigmoid函數(shù)在閾值分割上也有很不錯(cuò)的表現(xiàn)，根據(jù)公式的改變，就可以改變分割閾值，這里作為歸一化方法，我們只考慮(0, 0.5)作為分割閾值的點(diǎn)的情況：

實(shí)現(xiàn)代碼：

def sigmoid(X,useStatus):
    if useStatus:
        return 1.0 / (1 + np.exp(-float(X)));
    else:
        return float(X)

關(guān)于python中進(jìn)行歸一化的方法就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。