Fork me on GitHub

随笔 - 997  文章 - 5  评论 - 181  阅读 - 300万 

  一 (0,1)标准化:

这是最简单也是最容易想到的方法,通过遍历feature vector里的每一个数据,将Max和Min的记录下来,并通过Max-Min作为基数(即Min=0,Max=1)进行数据的归一化处理: 

python的代码实现:

复制代码
#-*-coding:utf-8-*- 
import numpy as np

def MaxMinNormalization(x,Max,Min):
    x = (x - Min) / (Max - Min);
    return x;

a = np.array([[1,2,3],[4,5,6]])
print(MaxMinNormalization(a,3,0))
复制代码

  二 Z-score标准化:

  这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。

经过处理的数据符合标准正态分布,即均值为0,标准差为1,这里的关键在于复合标准正态分布,个人认为在一定程度上改变了特征的分布,关于使用经验上欢迎讨论,转化函数为:

这里一样,mu(即均值)用np.average(),sigma(即标准差)用np.std()即可.

  python的源码实现:

def Z_ScoreNormalization(x,mu,sigma):
    x = (x - mu) / sigma;
    return x;


b = np.array([[1,2,3],[4,5,6]])
print(Z_ScoreNormalization(b,b.mean(),b.std()))

  三 Sigmoid函数

  Sigmoid函数是一个具有S形曲线的函数,是良好的阈值函数,在(0, 0.5)处中心对称,在(0, 0.5)附近有比较大的斜率而当数据趋向于正无穷和负无穷的时候,映射出来的值就会无限趋向于1和0.

个人非常喜欢的“归一化方法”,之所以打引号是因为我觉得Sigmoid函数在阈值分割上也有很不错的表现,根据公式的改变,就可以改变分割阈值,这里作为归一化方法,我们只考虑(0, 0.5)作为分割阈值的点的情况:

 

python 源码:

  

复制代码
def sigmoid(X,useStatus):
    if useStatus:
        #return 1.0 / (1 + np.exp(-float(X)))
        return 1.0 / (1 + np.exp(-X))
    else:
        return float(X)

c = np.array([[1,2,3],[4,5,6]])
print(sigmoid(c,1))
复制代码

  参考文档:

1 https://blog.csdn.net/sinat_36458870/article/details/79498302

 

posted on   虚生  阅读(1511)  评论(0编辑  收藏  举报
编辑推荐:
· 浏览器原生「磁吸」效果!Anchor Positioning 锚点定位神器解析
· 没有源码,如何修改代码逻辑?
· 一个奇形怪状的面试题:Bean中的CHM要不要加volatile?
· [.NET]调用本地 Deepseek 模型
· 一个费力不讨好的项目,让我损失了近一半的绩效!
阅读排行:
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 没有源码,如何修改代码逻辑?
· PowerShell开发游戏 · 打蜜蜂
· 在鹅厂做java开发是什么体验
· WPF到Web的无缝过渡:英雄联盟客户端的OpenSilver迁移实战
点击右上角即可分享
微信分享提示