CSDN价值两万的AI课程--week1 线性模型--数据预处理

CSDN价值两万的AI课程

1. 标准化StandardScaler

1. 数据分布太散

2. 异常值，就是有的很大很小都会影响线性模型，而且还很大。

   然后针对相应的毛病，找解决办法（右键谷歌）， 一般就是对数据进行标准差标准化，经过处理的数据会符合标准正态分布
   所以我们拿到数据：先看数据分布！！

Z-zero标准化 也叫标准差标准化。

注意：如果特征非常稀疏，并且有大量的0，那零标准化是很不适合的。

2. 归一化

1. MinMaxScaler 归一化就是将所有特征值都等比地缩小到0-1之间的区间内，将一个特征中最大的值转换为1，最小的那个值转换为0，其余的值按照一定比例分布在（0,1）之间。

2. MaxAbsScaler 将一个特征中的值规模化到（-1， 1）的区间内，将每一个数都除以特征值中的最大绝对数。
   这样的做法并不会改变原来为0的值，所以也不会改变稀疏性

3. 正则化 Normalizer

就是为了防止过拟合，主要有三种: L0，L1，L2这些形式的范数

关于为啥会出现负值？

首先去看看是不是对x和Y做了同一种归一化，要知道归一化的作用其实就是
1. 把不同量纲的东西放在同一量纲下比较
2. 保持收敛加快，其实就是去量纲化之后。
3. 模型在归一化之后会影响效果，有的模型则不会，

热编码