机器学习-数据预处理

1.均值移除(标准化)
　　由于一个样本的不同特征值差异较大，不利于使用现有机器学习算法进行样本处理。均值移除可以让样本矩阵中的每一列的平均值为0，标准差为1。
　　确保每一个特征列的数值都在类似的数据范围之间，防止某一个特征列数据天然的数值太大而一家独大影响结果

　　使用sklearn
　　import numpy as np
　　import sklearn.preprocess as sp

　　sample = np.array([
    　　[2, 4, 5, -1],
    　　[3, 1, 7, -2],
    　　[6, -3, 2, -1],
　　], dtype="float")

　　print(sp.scale(sample))

　　#[[-0.98058068  1.16247639  0.16222142  0.70710678]
　　#[-0.39223227  0.11624764  1.13554995 -1.41421356]
　　#[ 1.37281295 -1.27872403 -1.29777137  0.70710678]]
2.归一化
　　归一化就是把所有数据都转化成[0,1]或者[-1,1]之间的数，其目的是为了取消各维数据之间的数量级差别，避免因为输入输出数据数量级差别大而造成网络预测误差过大。
　　归一化作用：

　　　　1）为了后面数据处理的方便，归一化可以避免一些不必要的数值问题。

　　　　2）为了程序运行时收敛速度更快

　　　　3）统一量纲。样本数据的评价标准不一样，需要对其量纲化，统一评价标准，这算是应用层面的需求。

　　　　4）避免神经元饱和。就是说当神经元的激活在接近0或者1时，在这些区域，梯度几乎为0，这样在反向传播过程中，局部梯度就会接近于0，这样非常不利于网络的训练。

　　　　5）保证输出数据中数值小的不被吞食。

　　import numpy as np

　　import sklearn.preprocess as sp

　　samples = np.array([[17., 100., 4000],

　　　　　　　　　　　　　　[20., 80., 5000],

　　　　　　　　　　　　　　[23., 75., 5500]])

　　print(sp.normalize(samples, norm='l1')

　　#[[0.00412922 0.02428953 0.97158125]
　　#[0.00392157 0.01568627 0.98039216]
　　#[0.00410861 0.01339764 0.98249375]]