sklearn.preprocessing.StandardScaler函数入门_from sklearn.preprocessing import standardscaler

目录

sklearn.preprocessing.StandardScaler函数入门

安装和导入

数据准备

特征缩放

结果解释

总结

---

sklearn.preprocessing.StandardScaler函数入门

在机器学习中，数据预处理是一个至关重要的步骤。而常常使用到的数据预处理方法之一就是特征缩放。特征缩放是将不同特征的取值范围映射到相同的尺度上，以确保不同特征对模型的影响具有相同的权重。 在scikit-learn库的preprocessing模块中，有一个非常常用的函数​​StandardScaler​​，它可以实现特征缩放的功能。下面我们就来学习一下如何使用这个函数。

安装和导入

首先，我们需要确保我们已经安装了scikit-learn库。如果没有安装，可以通过执行以下命令来安装：

plaintextCopy codepip install scikit-learn

安装完成后，我们就可以导入​​StandardScaler​​函数了：

pythonCopy codefrom sklearn.preprocessing import StandardScaler

数据准备

在使用​​StandardScaler​​函数之前，我们需要准备一些数据来进行特征缩放。假设我们的数据是一个矩阵​​X​​，其中每一列代表一个特征，每一行代表一个样本。

pythonCopy codeimport numpy as np
# 创建一个随机的数据集
np.random.seed(0)
X = np.random.randint(0, 100, (100, 3))

特征缩放

在使用​​StandardScaler​​函数之前，我们首先需要创建一个​​StandardScaler​​对象。然后，通过调用​​fit​​方法来计算数据集的均值和标准差。

pythonCopy codescaler = StandardScaler()
scaler.fit(X)

得到均值和标准差之后，我们就可以对数据进行缩放了。通过调用​​transform​​方法，我们可以将原始数据缩放到标准化的尺度上。

pythonCopy codeX_scaled = scaler.transform(X)

除了​​transform​​方法外，我们还可以使用​​fit_transform​​方法一次性完成拟合和缩放的过程。

pythonCopy codeX_scaled = scaler.fit_transform(X)

结果解释

经过特征缩放后，我们可以看到每个特征的均值被缩放至0附近，标准差被缩放至1附近。这样做的好处是，可以使得不同特征之间的差异更加明显，对后续的机器学习模型更加友好。

pythonCopy codeprint("Mean:\n", X_scaled.mean(axis=0))
print("Standard deviation:\n", X_scaled.std(axis=0))

总结

在本篇文章中，我们学习了如何使用​​StandardScaler​​函数对数据进行特征缩放。特征缩放可以使得不同特征之间的差异更加明显，对后续的机器学习模型更加友好。通过​​fit​​和​​transform​​方法，我们可以轻松地实现特征缩放的过程。

假设我们有一个数据集，其中包含房屋的面积（单位：平方米）、房间数和房价（单位：万元）。我们想要对这些特征进行缩放，使得它们处于相近的尺度上。 首先，我们准备数据和导入需要的库：

pythonCopy codeimport numpy as np
from sklearn.preprocessing import StandardScaler
# 创建一个随机的数据集
np.random.seed(0)
X = np.random.randint(0, 200, (100, 3))
y = np.random.randint(100, 300, (100, 1))
# 创建StandardScaler对象
scaler = StandardScaler()

然后，我们使用​​fit_transform​​方法来对特征进行缩放：

pythonCopy codeX_scaled = scaler.fit_transform(X)

现在，我们可以输出缩放后的特征，观察它们的均值和标准差是否处于接近0和1的范围内：

pythonCopy codeprint("Scaled Features:")
print("Mean:\n", X_scaled.mean(axis=0))
print("Standard deviation:\n", X_scaled.std(axis=0))

输出结果如下：

plaintextCopy codeScaled Features:
Mean:
 [-1.22124533e-16 -1.22124533e-16 -1.09912079e-16]
Standard deviation:
 [1. 1. 1.]

最后，我们可以根据缩放后的特征训练模型，比如线性回归模型：

pythonCopy codefrom sklearn.linear_model import LinearRegression
# 创建LinearRegression对象
model = LinearRegression()
# 使用缩放后的特征拟合模型
model.fit(X_scaled, y)

这样，我们就完成了对特征的缩放，并使用缩放后的特征拟合了一个线性回归模型。 在实际应用中，特征缩放可以帮助我们在不同量纲的特征上取得更好的表现，并且能够提高许多机器学习算法的性能。

在介绍​​StandardScaler​​​函数的缺点之前，我们需要明确一个概念：特征缩放适用于那些假设特征在数值上是服从高斯分布（正态分布）的情况。如果特征不满足这个假设，那么特征缩放可能会带来负面影响。因此，在使用​​StandardScaler​​​函数时，需要确保特征的分布符合正态分布假设。 以下是​​​StandardScaler​​函数的几个缺点：

1. 对离群值敏感：​​StandardScaler​​函数依赖于特征的均值和标准差，而离群值会对均值和标准差产生较大的影响。如果数据集中存在离群值，那么特征缩放可能会导致数据偏移和失真。
2. 不适用于非连续型特征：​​StandardScaler​​函数仅适用于连续型的数值特征。对于非连续型特征（如分类变量或文本变量），​​StandardScaler​​函数并不适用。对于这些类型的特征，我们需要使用其他的方法进行预处理。
3. 数据泄露问题：在进行特征缩放时，我们需要先计算训练集的均值和标准差，然后再将其应用于测试集或新样本。如果在计算和应用均值和标准差时没有很好地编码这个过程，可能会导致数据泄露问题，即在测试集或新样本中使用了训练集的信息。 类似的特征缩放方法还有以下几种：
4. MinMaxScaler：MinMaxScaler函数将特征缩放到给定的最小值和最大值之间。该方法对离群值不敏感，适用于任意分布的特征。但是，MinMaxScaler函数会将数据映射到一个有限的范围内，可能导致某些特征的变化幅度变小，不适用于某些算法和场景。
5. MaxAbsScaler：MaxAbsScaler函数将特征缩放到[-1, 1]范围内。该方法对离群值不敏感，适用于任意分布的特征。该方法保留了特征的原始分布形状，并且不会将特征的取值缩放到特定的范围内。
6. RobustScaler：RobustScaler函数采用中位数和四分位数来对特征进行缩放。与​​StandardScaler​​函数相比，RobustScaler函数对离群值不敏感，适用于在特征中存在离群值的情况。然而，它并不能将特征缩放到标准差为1的尺度上。 总而言之，不同的特征缩放方法各有优缺点，应根据具体的数据分布和算法要求来选择合适的方法。在应用中，可以尝试多种方法并比较它们的效果，以选择最适合的特征缩放方法。