tplogin重新设置密码四种标准化⽅法回不去
1、标准化（Z-Score），或者去除均值和⽅差缩放
公式为：(X-mean)/std 计算时对每个属性/每列分别进⾏。
将数据按期属性（按列进⾏）减去其均值，并处以其⽅差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，⽅差为1。使⽤sklearn.preprocessing.scale()函数，可以直接将给定数据进⾏标准化。
>>> from sklearn import preprocessing
>>> import numpy as np
>>> X = np.array([[ 1., -1., 2.],
... [ 2., 0., 0.],
... [ 0., 1., -1.]])
>>> X_scaled = preprocessing.scale(X)
>>> X_scaled
array([[ 0. ..., -, ],
[ , 0. ..., -],
[-, , -]])
>>>#处理后数据的均值和⽅差
>>> an(axis=0)
array([ 0., 0., 0.])晋式月饼
>>> X_scaled.std(axis=0)
array([ 1., 1., 1.])
调⽤fit⽅法，根据已有的训练数据创建⼀个标准化的转换器
scaler = preprocessing.StandardScaler().fit(x)
10086查流量发什么数字
scaler
StandardScaler(copy=True, with_mean=True, with_std=True)
使⽤上⾯这个转换器去转换训练数据x，调⽤transform⽅法
海报制作方法ansform(x)
array([[ 0. , -1.22474487, 1.33630621],
[ 1.22474487, 0. , -0.26726124],
[-1.22474487, 1.22474487, -1.06904497]])
好了，⽐如现在⼜来了⼀组新的样本，也想得到相同的转换
new_x = [[-1., 1., 0.]]
array([[-2.44948974, 1.22474487, -0.26726124]])姐姐出嫁
一份特殊的礼物
另外，与StandardScaler 并列多还有其它多标准化⽅法：
2、MinMaxScaler，在MinMaxScaler中是给定了⼀个明确的最⼤值与最⼩值，数据会被规模化到[0,1]之间。它的计算公式如下：
X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))水系
X_scaled = X_std / (max - min) + min
⽤法：min_max_scaler = preprocessing.MinMaxScaler()
x_minmax = min_max_scaler.fit_transform(x)
x_minmax
3、MaxAbsScaler，原理与上⾯的很像，只是数据会被规模化到[-1,1]之间。也就是特征中，所有数据都会除以最⼤值。这个⽅法对那些已经中⼼化均值维0或者稀疏的数据有意义。
max_abs_scaler = preprocessing.MaxAbsScaler()
x_train_maxsbs = max_abs_scaler.fit_transform(x)
x_train_maxsbs
4、RobustScaler
当数据集中含有离群点，即异常值时，可以⽤z-score进⾏标准化，但是标准化后的数据并不理想，因为异常点的特征往往在标准化之后容易失去离群特征。此时可以⽤该⽅法针对离群点做标准化处理。
