机器学习——KNN数据均一化

在KNN（K-近邻）算法中，数据均一化（归一化）是预处理的关键步骤，用于消除不同特征量纲差异对距离计算的影响。以下是两种常用的归一化操作及其核心要点：

质押

一 、主要思想

1. 最值归一化（Min-Max Normalization）

公式：

特点：

• 将数据映射到 [0, 1] 区间内。
• 适用场景：特征分布有明显边界（如像素值0-255、评分0-100），且数据中异常值较少16。
• 缺点：对异常值敏感，若存在极端值（如极大或极小值），可能导致大部分数据集中在某个狭窄区间，影响模型性能 

2. 均值方差归一化（Z-Score Standardization）

公式：

（其中 μ 为均值，σ为标准差）
特点：

• 将数据转换为均值为 0、方差为 1 的分布。
• 适用场景：数据分布无明显边界，或存在极端值（如收入、房价等连续型特征）。
• 优点：对异常值的鲁棒性优于最值归一化，适用于大多数机器学习算法。

归一化在KNN中的必要性

• 距离计算敏感性问题：KNN依赖距离度量（如欧氏距离），若特征尺度差异大（如年龄0-100 vs. 收入0-100000），大范围特征会主导距离计算，导致模型偏差。
• 模型性能优化：归一化后数据分布更均匀，可提升KNN的分类精度和收敛速度。

---

3.注意事项

1. 训练集与测试集统一处理：需先对训练集计算归一化参数（如min/max、均值/标准差），再对测试集应用相同参数，避免数据泄露
2. 算法选择建议：优先使用均值方差归一化，因其对异常值和数据分布的适应性更强

二、算法实现

（1）主要函数：sklearn.preprocessing.StandardScaler()

（2）关键参数

参数	作用	默认值
copy	是否创建数据副本（False 时可能直接修改原始数据，需注意数据类型兼容性）4	True
with_mean	是否对数据去均值（设为 False 时跳过中心化，适用于稀疏矩阵处理）4	True
with_std	是否对数据缩放至单位方差（设为 False 时仅中心化，不缩放）4	True

• scale_：每个特征的标准差（缩放比例）。
• mean_：每个特征的均值。
• var_：每个特征的方差。
• n_samples_seen_：已处理的样本总数（支持在线学习时统计增量数据）。

（3）示例

1、最大值最小值均一化

import numpy as np
from sklearn import datasets#加载鸢尾花数据集
iris=datasets.load_iris()
X = iris.data
y = iris.target#最大最小值归一化
np.max(X[:,0])
np.min(X[:,0])#对每一列进行最值归一化
X[:,0] = (X[:,0] - np.min(X[:,0])) /  (np.max(X[:,0]) - np.min(X[:,0])) #第0列
X[:,1] = (X[:,1] - np.min(X[:,1])) /  (np.max(X[:,1]) - np.min(X[:,1])) #第1列
X[:,2] = (X[:,2] - np.min(X[:,2])) /  (np.max(X[:,2]) - np.min(X[:,2])) #第2列
X[:,3] = (X[:,3] - np.min(X[:,3])) /  (np.max(X[:,3]) - np.min(X[:,3])) #第3列

2、归零均一化

import numpy as np
from  sklearn import datasets #加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target#计算均值、标准差
np.mean(X[:,0])
np.std(X[:,0])#每列归一化
X[:,0] = (X[:,0] - np.mean(X[:,0]))/np.std(X[:,0])
X[:,1] = (X[:,1] - np.mean(X[:,1]))/np.std(X[:,1])
X[:,2] = (X[:,2] - np.mean(X[:,2]))/np.std(X[:,2])
X[:,3] = (X[:,3] - np.mean(X[:,3]))/np.std(X[:,3])

3、scikit-learn 中的StandardScaler

import numpy as np
from sklearn import datasets#加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.targetfrom sklearn.preprocessing import StandardScaler #均一化模块standard_scaler = StandardScaler()standard_scaler.fit(X)standard_scaler.mean_ #均值
standard_scaler.scale_ #标准差X = standard_scaler.transform(X)#均一化后重新赋值给X
print(X[:5] )'''
结果：
array([[-0.90068117,  1.01900435, -1.34022653, -1.3154443 ],[-1.14301691, -0.13197948, -1.34022653, -1.3154443 ],[-1.38535265,  0.32841405, -1.39706395, -1.3154443 ],[-1.50652052,  0.09821729, -1.2833891 , -1.3154443 ],[-1.02184904,  1.24920112, -1.34022653, -1.3154443 ]])
'''#使用归一化的数据进行预测分类from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(iris.data,iris.target,train_size=0.8,random_state=666)from sklearn.preprocessing import StandardScaler #均一化模块standard_scaler = StandardScaler()standard_scaler.fit(X_train) #适配数据standard_scaler.mean_  #均值
standard_scaler.scale_ #标准差X_train_standard = standard_scaler.transform(X_train) #X_train 归一
X_test_standard = standard_scaler.transform(X_test)   #X_test 归一from sklearn.neighbors import KNeighborsClassifier
knn_classifier = KNeighborsClassifier(n_neighbors=5)
knn_classifier.fit(X_train_standard,y_train)
knn_classifier.score(X_test_standard, y_test) #结果：1.0

特别注意：

在进行归零均一化操作时，要对训练集和测试集分别进行归一化后才能进行分类预测。一般先求出训练集的 mean（均值） 和scale （标准差）再进行归一transform操作，但值得注意的是，测试集不用再进行mean和sacle的计算，直接使用训练集即可。因为现实中的数据有时候很难进行归一化。