移动端网站没有icp,win2008做的网站打不开,台州网站排名优化,江苏网络科技有限公司1.Normalizer#xff08;归一化#xff09;#xff08;更加推荐使用#xff09; 优点#xff1a;将每个样本向量的欧几里德长度缩放为1#xff0c;适用于计算样本之间的相似性。 缺点#xff1a;只对每个样本的特征进行缩放#xff0c;不保留原始数据的分布形状。 公式…1.Normalizer归一化更加推荐使用 优点将每个样本向量的欧几里德长度缩放为1适用于计算样本之间的相似性。 缺点只对每个样本的特征进行缩放不保留原始数据的分布形状。 公式对于每个样本公式为x / ||x||其中x是样本向量||x||是x的欧几里德范数。 2.MinMaxScaler最小-最大标准化 优点将数据缩放到指定的范围通常是0到1之间保留了原始数据的形式。适用于需要保留原始数据分布形状的算法。 缺点受异常值的影响较大对分布不均匀的数据集可能导致信息损失。 公式对于每个特征公式为(x - min) / (max - min)其中x是特征值min是特征的最小值max是特征的最大值。 3.Normalizer和MinMaxScaler区别 Normalizer和MinMaxScaler是不同的数据标准化方法。 Normalizer是一种将每个样本向量的长度缩放为1的归一化方法它逐个样本对特征向量进行归一化使得每个样本的特征向量都具有相同的尺度。 MinMaxScaler是一种将特征缩放到指定范围通常是0到1之间的标准化方法。它通过对每个特征进行线性变换将特征值缩放到指定的最小值和最大值之间。 这两种方法有相似之处都可以将数据缩放到一定范围内但是归一化和最小-最大标准化的方式和目的不同。 归一化Normalizer在每个样本上进行操作主要是为了保持样本之间的向量方向或角度关系使得样本之间的相似性或距离计算更具可比性。 最小-最大标准化MinMaxScaler在每个特征上进行操作主要是为了将特征值缩放到指定的范围保留特征之间的相对关系。 因此虽然它们都属于数据标准化的方法但实际应用中选择使用归一化还是最小-最大标准化取决于数据的特点和具体任务的需求。 4.案例解释 当使用Normalizer进行归一化时每个样本的特征向量都会被调整为单位范数默认为L2范数。假设我们有一个包含两个样本的数据集每个样本有两个特征。数据集如下 样本1: [2, 4] 样本2: [1, 3]使用Normalizer进行归一化后结果如下 from sklearn.preprocessing import MinMaxScaler,StandardScaler,Normalizer,RobustScalerscaler_x Normalizer()scaler_x.fit_transform(x) array([[0.4472136 , 0.89442719],[0.31622777, 0.9486833 ]])样本1归一化后: [0.447, 0.894] 样本2归一化后: [0.316, 0.949]每个样本的特征向量都被缩放到单位长度。 而当使用MinMaxScaler进行最小-最大标准化时特征值会被缩放到一个指定的范围通常是0到1之间。假设我们有相同的数据集 样本1: [2, 4] 样本2: [1, 3]使用MinMaxScaler进行最小-最大标准化将特征值缩放到0到1之间结果如下 from sklearn.preprocessing import MinMaxScaler,StandardScaler,Normalizer,RobustScalerscaler_x MinMaxScaler()import numpy as npx np.array([[2,4],[1,3]])scaler_x.fit_transform(x) array([[1., 1.],[0., 0.]])样本1标准化后: [1, 1] 样本2标准化后: [0, 0]特征值被缩放到指定的范围之间。 可以看到Normalizer归一化通过调整每个样本的特征向量的长度来进行归一化而MinMaxScaler最小-最大标准化通过线性变换将特征值缩放到指定的范围内。在这个例子中归一化操作将样本1归一化后的特征向量缩放到单位长度而最小-最大标准化将样本1标准化后的特征值缩放到0到1之间。