Python機器學習筆記（七）：我與姚明一樣高 - 縮放特徵使其具相同比例

「特徵縮放」（feature scaling）是數據預處理的一個關鍵，其重要性，可用一個簡單例子來說明。假設我們有二個特徵，第一個特徵的測量值從1到10，而第二個測量值則是從1到100,000，由於第二個特徵的測量值遠大於第一個特徵值，不少演算法模型在求解最佳化的學習過程時，將會被數值較大的第二個特徵所支配，而數值較小的第一個特徵則會被邊緣化。為避免前述偏誤的產生，在對數據集實際分析前，須先把不同規模的特徵，轉換成相同規模，無論原始數值差異有多大，經特徵縮放後，都處在同一衡量尺度基礎上，高大如姚明者，也縮放成一般人高度了。在實務上，有「常態化」（normalization)和「標準化」（standardization）這二種特徵縮放特徵處理方式。

一、常態化

常態化是指將特徵值「縮放」到【0，1】範圍之內。某個樣本的特徵值 x ，其常態化公式為：

常態化的某樣本特徵值 x = （常態化前的 x 特徵值 - 所有樣本中最小的特徵值 x）/ （所有樣本中最大的特徵值 x - 有樣本中最小的特徵值 x）

我們可利用 scikit-learn 實作的 MinMaxScaler 類別來處理特徵常態化的問題。假設有個需進行常態化處理的特徵資料集 df

•匯入 MinMaxScaler 類別

from sklearn.preprocessing import MinMaxScaler

•初始化 MinMaxScaler 類別估計器 mms

mms = MinMaxScaler( ) 

•估計器 mms 叫用 fit 方法，練習擬合 df 資料集內容

mms.fit(df)

•利用練習擬合後的估計器 mms ，叫用 transform方法，將 df 資料集的特徵值，轉換為常態化後的特徵值

df_norm = mms.transform(df)

二、標準化

標準化是指將特徵值「縮放」為「平均值」為0，「標準差」為1的「常態分配」。某個樣本的特徵值 x ，其標準化公式為：

標準化的某樣本特徵值 x = （標準化前的 x 特徵值 - 特徵值欄 x 的平均值）/ （特徵值欄 x 的標準差）

我們可利用 scikit-learn 實作的 StandardScaler 類別來處理特徵標準化的問題。假設有個需進行標準化處理的特徵資料集 df

•匯入 StandardScaler類別

from sklearn.preprocessing import StandardScaler

•初始化 StandardScaler 類別估計器 stdsc

stdsc = StandardScaler( ) 

•估計器 stdsc 叫用 fit 方法，練習擬合 df 資料集內容

stdsc.fit(df)

•利用練習擬合後的估計器 stdsc ，叫用 transform方法，將 df 資料集的特徵值，轉換為標準化後的特徵值

df_std = stdsc.transform(df)