如何在Python中使用scikit-learn库从特征向量中消除均值？
预处理数据是指清除数据，删除无效数据，噪声，用相关值替换数据等。
数据预处理基本上是指将所有数据（从各种资源或单个资源收集的数据）收集为通用格式或统一数据集（取决于数据类型）的任务。一步的输出将成为下一步的输入，依此类推。
可能必须从输入数据中除去平均值才能获得特定结果。让我们了解如何使用scikit-learn库实现它。
示例
import numpy as np
from sklearn import preprocessing
input_data = np.array([
[34.78, 31.9, -65.5],
[-16.5, 2.45, -83.5],
[0.5, -87.98, 45.62],
[5.9, 2.38, -55.82]])
print("平均值是： ", input_data.mean(axis=0))
print("标准偏差值为： ", input_data.std(axis=0))
data_scaled = preprocessing.scale(input_data)
print("均值已被删除 ", data_scaled.mean(axis=0))
print("标准偏差已删除 ", data_scaled.std(axis=0))平均值是： [ 6.17 -12.8125 -39.8 ]
标准偏差值为： [18.4708067 45.03642047 50.30754615]
均值已被删除 [-2.60208521e-18 -8.32667268e-17 -1.11022302e-16]
标准偏差已删除 [1. 1. 1.]
说明
- list-paddingleft-2">
所需的软件包已导入。
输入数据是使用Numpy库生成的。
计算平均值和标准偏差值。
它们显示在控制台上。
“ data_scaled”函数用于从数据中删除平均值和标准偏差值。
除去的均值和标准差数据将显示在控制台上。
-
分类变量的特征提取 比如城市作为一个特征，那么就是一系列散列的城市标记，这类特征我们用二进制编码来表示，是这个城市为1，不是这个城市为0 比如有三个城市：北京、天津、上海，我们用scikit-learn的DictVector做特征提取，如下： # coding:utf-8 import sys reload(sys) sys.setdefaultencoding( "utf-8" ) from
-
本文向大家介绍如何使用Python中的scikit-learn库缩放数据？，包括了如何使用Python中的scikit-learn库缩放数据？的使用技巧和注意事项，需要的朋友参考一下 特征缩放是构建机器学习算法的数据预处理阶段的重要步骤。它有助于规范化数据以使其落在特定范围内。 有时，它还有助于提高机器执行计算的速度。 为什么需要它？ 作为输入馈入学习算法的数据应保持一致和结构化。输入数据的所有特
-
本文向大家介绍scikit-learn库如何用于在Python中加载数据？，包括了scikit-learn库如何用于在Python中加载数据？的使用技巧和注意事项，需要的朋友参考一下 Scikit-learn，通常称为sklearn，是Python中的一个开源库，用于实现机器学习算法。 在Python强大而稳定的界面的帮助下，这包括分类，回归，聚类，降维等等。该库基于Numpy，SciPy和Mat
-
本文向大家介绍python的scikit-learn将特征转成one-hot特征的方法，包括了python的scikit-learn将特征转成one-hot特征的方法的使用技巧和注意事项，需要的朋友参考一下 如下所示： 以上这篇python的scikit-learn将特征转成one-hot特征的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持呐喊教程。
-
本文向大家介绍解释如何在Python中使用scikit-learn库实现L1规范化？，包括了解释如何在Python中使用scikit-learn库实现L1规范化？的使用技巧和注意事项，需要的朋友参考一下 将值范围转换为标准值范围的过程称为标准化。这些值可以在-1到+1或0到1之间。数据也可以借助减法和除法进行归一化。 作为输入馈入学习算法的数据应保持一致和结构化。输入数据的所有特征都应在单个范围内
-
本文向大家介绍解释Python中scikit-learn库的基础？，包括了解释Python中scikit-learn库的基础？的使用技巧和注意事项，需要的朋友参考一下 Scikit-learn，通常称为sklearn，是Python中的一个库，用于实现机器学习算法。 这是一个开源库，因此可以免费使用。强大而强大，因为它提供了多种工具来执行统计建模。在Python强大而稳定的界面的帮助下，这包括分类