新手村：数据预处理-特征缩放

新手村：数据预处理-特征缩放

特征缩放（Feature Scaling）是数据预处理中的一个重要步骤，特别是在应用某些机器学习算法时。特征缩放可以使不同尺度的特征具有相同的量级，从而提高模型训练的效率和性能。常见的特征缩放方法包括标准化（Standardization）和归一化（Normalization）。

常见的特征缩放方法

1. 标准化（Standardization）

   • 将特征转换为均值为0，标准差为1的标准正态分布。
   • 公式：$x^{\prime }=\frac{x-\mu }{\sigma }$
     • $x^{\prime }$ 是缩放后的特征值
     • $x$ 是原始特征值
     • $\mu$ 是特征的均值
     • $\sigma$ 是特征的标准差

2. 归一化（Normalization）

   • 将特征缩放到一个特定范围（通常是[0, 1]或[-1, 1]）。
   • 最常用的归一化方法是Min-Max缩放：
     • 公式：$x^{\prime }=\frac{x-x_{\text{min}}}{x_{\text{max}}-x_{\text{min}}}$
       • $x^{\prime }$ 是缩放后的特征值
       • $x$ 是原始特征值
       • $x_{\text{min}}$ 和 $x_{\text{max}}$ 分别是特征的最小值和最大值

特征缩放的应用场景

• 需要特征缩放的算法：

  • 线性回归、逻辑回归、支持向量机（SVM）、K近邻（KNN）、神经网络等。
  • 这些算法对特征的尺度敏感，特征缩放可以加快收敛速度并提高模型性能。

• 不需要特征缩放的算法：

  • 决策树、随机森林等基于树的算法，这些算法不依赖于特征的尺度。

示例代码

以下是一个使用Python和scikit-learn库进行特征缩放的示例代码：

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler, MinMaxScaler# 创建一个示例数据集
data = {'A': [1, 2, 3, 4, 5],'B': [100, 200, 300, 400, 500],'C': [0.1, 0.2, 0.3, 0.4, 0.5]
}df = pd.DataFrame(data)print("原始数据：")
print(df)# 标准化
scaler_standard = StandardScaler()
df_standardized = pd.DataFrame(scaler_standard.fit_transform(df), columns=df.columns)
print("\n标准化后的数据：")
print(df_standardized)# 归一化（Min-Max缩放）
scaler_minmax = MinMaxScaler()
df_normalized = pd.DataFrame(scaler_minmax.fit_transform(df), columns=df.columns)
print("\n归一化后的数据：")
print(df_normalized)

输出结果解释

原始数据

原始数据：A      B    C
0    1    100  0.1
1    2    200  0.2
2    3    300  0.3
3    4    400  0.4
4    5    500  0.5

标准化后的数据

标准化后的数据：A         B         C
0 -1.414214 -1.414214 -1.414214
1 -0.707107 -0.707107 -0.707107
2  0.000000  0.000000  0.000000
3  0.707107  0.707107  0.707107
4  1.414214  1.414214  1.414214

归一化后的数据

归一化后的数据：A    B    C
0  0.0  0.0  0.0
1  0.25 0.25 0.25
2  0.5  0.5  0.5
3  0.75 0.75 0.75
4  1.0  1.0  1.0

总结表格

方法	描述	适用场景	优点	缺点
标准化	将特征转换为均值为0，标准差为1的标准正态分布。	线性回归、逻辑回归、SVM、KNN、神经网络等。	不受数据范围影响，适用于大多数算法。	对异常值较为敏感，可能导致极端值的影响被放大。
归一化（Min-Max缩放）	将特征缩放到一个特定范围（通常是[0, 1]）。	需要将数据限制在特定范围内的情况。	数据范围固定，适用于需要严格控制输出范围的场景。	受数据范围影响较大，对异常值敏感，可能导致信息丢失。