特徵縮放
特徵縮放這個名字聽起來很膩害的樣子，實際上它講了乙個非常淺顯的方法。
例如下面的cameront1身高5.9，體重175，他穿l號的衣服。
sarah體重115，身高5.2，她穿s號的衣服。
那麼有個人叫chris，他體重140，身高6.1，應該穿了l還是s呢？
我們可以合理的猜測一下，chris的身高6.1更接近cameron的5.9的身高，因此可以和他一樣穿l號的，當然你也可以有其他的猜測，例如根據體重
特徵縮放就講的這麼一回事，公式如下：
x'=\frac}-x_}x_'=\frac≈0.417好處：得到的值都是0~1之間的，很方便
壞處：如果存在異常值，那麼結果就很不可靠
在python中實踐特徵縮放
這個公式非常簡單，當然你也可以自己編寫**來計算，不過我們要用到的是sklearn文件中的函式，因為這樣子更懶~
開啟sklearn的minmaxscaler函式，會看到下面的**示例：
然後我們開啟python的終端來操作一下剛剛例子中的身高陣列[115,140,174]
>>
>
from sklearn.preprocessing import minmaxscaler
>>
>
import numpy
>>
> weights=numpy.array([[
115.],
[140.]
,[175.]]
)>>
> scaler=minmaxscaler(
)>>
> rescaled_weight=scaler.fit_transform(weights)
>>
> rescaled_weight
array([[
0.],
[0.41666667],
[1.]
])
如果你想看其他的關於機器學習的一些知識，可以關注我的知乎專欄，我是乙個機器學習小白，初學者總會遇到各種各樣的困難，我會從初學者的角度把每乙個坑都給你仔仔細細的講明白咯~
特徵縮放 feature scaling
特徵縮放的一些方法 feature scaling 資料規範化 是資料探勘或機器學習常用到的步驟，這個步驟有時對演算法的效率和準確率都會產生巨大的影響。對精度的影響 這個步驟的必要性要依賴於資料特徵的特性，如果有 2特徵，並且不同特徵間的值變化範圍差異大，那就很有必要使用feature scalin...
特徵縮放（Feature Scaling）
1 最大最小值歸一化 min max normalization 將數值範圍縮放到 0,1 區間裡 2 均值歸一化 mean normalization 將數值範圍縮放到 1,1 區間裡，且資料的均值變為0 3 標準化 z值歸一化 standardization z scorenormalizati...
優達twitter 清理 優達學城的學習感想及優惠
2017年12月因一次偶然的機會，看到優達學城的課程。當時通過優惠碼 0c637434報名能有優惠 你們也可以使用拿優惠哦 就決定參加了優達學成的資料分析入門課程。資料分析入門課程學習的內容有四大課程還有一節輔修課程。四大課程分別是 第一節分別是資料分析相關的介紹，應用的行業。第二節是python入...