特征处理方法总览：

标准化和归一化介绍：

（1）标准化
　　标准化需要计算特征的均值和标准差，公式表达为：

　　使用preproccessing库的StandardScaler类对数据进行标准化的代码如下

from sklearn.preprocessing import StandardScaler from sklearn.datasets import load_iris iris=load_iris() #标准化，返回值为标准化后的数据 StandardScaler().fit_transform(iris.data)

(2)归一化

使用preproccessing库的Normalizer类对数据进行归一化的代码如下：

from sklearn.preprocessing import Normalizer #归一化，返回值为归一化后的数据 Normalizer().fit_transform(iris.data)

区间缩放法其实是归一化的一种：
区间缩放法的思路有多种，常见的一种为利用两个最值进行缩放，公式表达为：

使用preproccessing库的MinMaxScaler类对数据进行区间缩放的代码如下：

from sklearn.preprocessing import MinMaxScaler #区间缩放，返回值为缩放到[0, 1]区间的数据 MinMaxScaler().fit_transform(iris.data)

标准化和归一化适用范围

几条说明：

（1）如果对输出结果范围有要求，用归一化。
（2）如果数据较为稳定，不存在极端的最大最小值，用归一化。
（3）如果数据存在异常值和较多噪音，用标准化，可以间接通过中心化避免异常值和极端值的影响。
（4）SVM、KNN（K近邻）、神经网络、PCA等模型必须先标准化、归一化
  优先使用标准化。对于输出有要求时再尝试别的方法，如归一化或者更加复杂的方法。很多方法都可以将输出范围调整到[0, 1]，如果我们对于数据的分布有假设的话，更加有效的方法是使用相对应的概率密度函数来转换。

举个例子：

在大论文的计算中，我需要不断增加预测集的数量，但相对于训练集增加的个数相当少，此时只能用标准化。如果采用区间缩放法（归一化），则Max,Min值可能会变化，进而改变缩放的空间，但标准化是均值和标准差所以几乎不变。

归一化作用

详见链接
归一化的作用.

总结

以上是生活随笔为你收集整理的标准化、归一化等的适用范围的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。