3.3 归一化与标准化

3.3.1 归一化

4）API使用

from sklearn.preprocessing import MinMaxScaler

X = [[2, 1], [3, 1], [1, 4], [2, 6]]
# 归一化，区间设置为(-1,1)
X = MinMaxScaler(feature_range=(-1, 1)).fit_transform(X)
print(X)

3.3.2 标准化

2）目的

适应数据分布：将数据转换为均值为0、标准差为1的分布，适合假设数据服从正态分布的模型（如线性回归、逻辑回归）。

稳定模型训练：标准化后的数据对异常值的敏感度较低（相比归一化），鲁棒性更强。

统一特征尺度：与归一化类似，标准化也能消除量纲差异，但更关注数据的统计分布而非固定范围。

3）场景

大多数场景下标准化更通用，尤其是数据分布未知或存在轻微异常值时。

4）API使用

from sklearn.preprocessing import StandardScaler

X = [[2, 1], [3, 1], [1, 4], [2, 6]]
# 标准化
X = StandardScaler().fit_transform(X)
print(X)