机器学习特征工程之特征缩放+无量纲化：最大绝对值缩放（MaxAbsScaler）

最新推荐文章于 2025-03-31 22:56:46 发布
最新推荐文章于 2025-03-31 22:56:46 发布
阅读量729 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 数据科学从0到1 文章标签： 机器学习 人工智能 数据挖掘 深度学习 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhongkeyuanchongqing/article/details/119940601
特征缩放是机器学习预处理的重要步骤，能加快模型收敛速度并提高精度。最大绝对值缩放(MaxAbsScaler)是一种无量纲化方法，通过计算每个特征的最大绝对值来缩放数据，使得特征值在[-1, 1]之间。这种方法适用于数值范围差异极大的情况，有助于避免梯度下降过程中因步长问题导致的慢速收敛。" 100068440,7532583,RL-Cache: 使用强化学习提升内容分发缓存命中率,"['缓存算法', '机器学习', '内容分发', '网络优化', '深度学习']

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 机器学习特征工程之特征缩放+无量纲化：最大绝对值缩放（MaxAbsScaler）

在Andrew Ng的机器学习课程里面，讲到使用梯度下降的时候应当进行特征缩放(Feature Scaling)。进行缩放后，多维特征将具有相近的尺度，这将帮助梯度下降算法更快地收敛。

你的预处理数据集中可能包含各种各样、不同比例的特征字段，比如美元、千克、价格，有的特征列数值范围在100以内，有的却达到几百万，差异很大。

很多机器学习模型不希望有这样大的差异，如果数据集各个属性之间的数值差异越小，则模型表现的会越好。

1） 提升模型的收敛速度
如下图，x1的取值为0-2000，而x2的取值为1-5，假如只有这两个特征，对其进行优化时，会得到一个窄长的椭圆形，导致在梯度下降时，梯度的方向为垂直等高线的方向而走之字形路线，这样会使迭代很慢，相比之下，右图的迭代就会很快（理解：也就是步长走多走少方向总是对的，不会走偏）

2）提升模型的精度
归一化的另一好处是提高精度，这在涉及到一些距离计

了解本专栏 订阅专栏 解锁全文 超级会员免费看
机器学习特征工程之特征缩放与无量纲化：最小最大缩放 Python
2301_79366435的博客
09-08 255
特征缩放是机器学习特征工程中的一个重要步骤，它用于将不同特征的取值范围统一，以便模型能够更好地学习和预测。最小最大缩放是特征缩放中常用的方法之一，它能够帮助我们将不同范围的特征统一到一个相同的尺度上，提高机器学习模型的性能。最后，需要注意的是，特征缩放应该在数据集划分为训练集和测试集之前进行，以避免信息泄漏。其中，x是原始特征值，x_scaled是缩放后的特征值，x_min和x_max分别是原始特征的最小值和最大值。这里，我们首先计算了特征的最小值和最大值，然后使用最小最大缩放公式对特征进行了缩放。
特征缩放与无量纲化：最大绝对值缩放（Python 实现）
CyberLynxO的博客
09-04 391
在特征缩放过程中，我们对原始数据进行转换，以确保特征具有相似的尺度。本文将介绍特征缩放的一种方法：最大绝对值缩放，并提供使用Python实现的源代码。最大绝对值缩放（Max Abs Scaler）是一种无量纲化方法，它将特征缩放到[-1, 1]的范围内，同时保留了数据的分布形状。最大绝对值缩放是特征缩放的一种方法，可以将特征缩放到[-1, 1]的范围内，保留数据的分布形状。从输出结果可以看出，每个特征的值都被缩放到了[-1, 1]的范围内，并且保留了原始数据的分布形状。最后，我们打印输出缩放后的数据。
python数据预处理2：最小值-最大值缩放（Min-Max Scaling）
m0_72979740的博客
04-29 1434
先从最简单的缩放开始，如果特征之间的数值差异巨大，可以先从单个特征的最大值max和最小值min入手，将最大值和最小值作为控制缩放的因子。经过最小值-最大值缩放之后的特征，其取值范围为0～1，从而使其转化为无量纲的纯数值，在之后的模型训练中，进一步提升模型的表现。#引用相关的库，numpy用于生成缺失值，sklearn.processing库中包含绝大多数的数据预处理方法。当然，全为0的特征，其缩放后的值为0。缩放规范化，具体来讲，是将数据按照比例缩放，使之落入一个较小的特定区间，如[0，1]。
笔记4.3.1缩放规范化--最小值最大值缩放和最大绝对值缩放
qq_43105807的博客
09-15 2473
Min-Max scaling将该样本每个特征下的最大值与最小值之差作为缩放倍数，每个特征下没有任何一个数会超过其最值之差，所以作为分母；分子是每个特征下的值与最小值之差。全为0的特征，缩放后值为0.代码表现如下： # 引用相应的库，numpy用于生成缺失值，引用sklearn.processing库，其中包含绝大部分数据与处理方法 from sklearn import preprocessing import numpy as np # 原始数据X X = np.array([[3, -2., 2
机器学习的一百个概念（6）最小最大缩放
最新发布
Shockang的博客
03-31 1155
📚 深入解析最小最大缩放：从理论到实战的完整指南！本文系统讲解这一机器学习必备技能，涵盖数学原理、代码实现、实战案例，特别提供异常值处理、零方差特征等疑难解决方案。配套详细代码示例与性能对比，助你快速掌握特征工程核心技巧。无论你是AI初学者还是资深工程师，都能收获满满！🚀 #机器学习 #特征工程 #数据预处理
特征缩放：统一量纲，提高模型性能
AI天才研究院
08-09 1256
特征缩放：统一量纲，提高模型性能 1. 背景介绍 在机器学习和数据挖掘领域，我们经常会遇到不同特征之间量纲差异很大的情况。比如，一个数据集中可能包含年龄（0-100）、收入（0-100000）、身高（150-200cm）等不同尺度的特征。这种量纲不统一会给许多机器学习算法（如梯度下降）带来
机器学习笔记（三）——归一化、KD树、数值型特征无量纲化、数值型特征分箱等
weixin_43312354的博客
03-15 3981
一、数据归一化 （一）使用数据归一化的目的 在数据处理中，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。 通常的数据归一化方法有两种： 最值归一化（normalization）: 把所有数据映射到0-1之间。最值...
EOF-DataScience：数据预处理/特征工程之线性变换—四种特征缩放Scaling算法简介、标准化standardization、归一化Normalization的概述与区别
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
03-19 4388
​ DataScience：数据预处理/特征工程之线性变换—四种特征缩放Scaling算法简介、标准化standardization、归一化Normalization的概述与区别 目录 数据处理中常见的四种(Feature scaling)特征缩放算法对比 数据预处理/特征工程之线性变换—标准化standardization、归一化Normalization的区别与联系 相关文章 DataScience：深入探讨与分析机器学习中的数据处理之线性变换—标准化standardi
按行归一化
fan15945028042的博客
04-08 1638
按行归一化 #按行归一化 import numpy as np input_data=np.load('E:/VQA_data/input_datawuxu.npy') #一共多少行 length=input_data.shape[0] for i in range(0,length): MIN,MAX=np.min(input_data[i]),np.max(input_data[i])...
R数据缩放值标准缩放（standardization scaling）以及最小最大缩放（Min-Max scaling）
data+scenario+science+insight
07-16 1611
R数据缩放值标准缩放（standardization scaling）以及最小最大缩放（Min-Max scaling） 目录 R数据缩放值标准缩放（standardization scaling）以及最小最大缩放（Min-Max scaling） 数据缩放（scaling） Z-SCORE标准化和MIN-MAX缩放哪个更好？ 最小最大缩放（Min-Max Scaling） 标准化缩放（standardization scaling） 数据缩放（scaling） ..
三角函数tan、arctan与双曲函数tanh 学习笔记
12-14 3616
参考文献： 三角函数：https://zhuanlan.zhihu.com/p/20102140 三角函数与双曲函数：https://zhuanlan.zhihu.com/p/20042215 双曲函数扩展：https://zhuanlan.zhihu.com/p/33554431
多维缩放（Multiple Dimensional Scaling）MDS-机器学习
qq_43110298的博客
02-05 1309
多维缩放（Multiple Dimensional Scaling）MDS 1算法目的 一般的数据是高维的，但是与学习任务相关的一般是某个低维度的分布，即一个低维的嵌入。 如上图所示 2 算法推导 算法的原则是：原始空间中样本之间的距离在低维度能够保持 算法的目标：获得样本在低维度空间的坐标，且两个任意样本在低维度空间的欧式距离等于原始空间的距离。 具体的算法推导可以看看其他的博客，很多都说的...
吴裕雄 python 机器学习——多维缩放降维MDS模型
weixin_30810239的博客
04-30 501
# -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt from sklearn import datasets,manifold def load_data(): ''' 加载用于降维的数据 ''' # 使用 scikit-lea...
特征缩放+无量纲化：最小最大缩放 - Python代码实现
qq_37934722的博客
04-23 317
在机器学习的特征工程中，对于数据进行特征缩放和无量纲化是非常重要的步骤。其中，最小最大缩放（MinMaxScaler）是一种经典的无量纲化方法。在本文中，我们将介绍使用Python实现最小最大缩放的方法。在本文中，我们介绍了使用Python实现最小最大缩放的方法，并提供了相应的代码。通过这种方法，我们可以很容易地对数据进行无量纲化处理，达到更好的特征工程效果。可以看到，数据已经成功地被无量纲化，并且转换为了DataFrame格式。可以看到，数据已经被成功的无量纲化，数值范围被缩放至[0,1]之间。
机器学习 数据预处理之特征缩放（理论+案例）
yj8023xx的博客
04-22 5512
特征缩放 原因： 数量级的差异将导致量级较大的属性占据主导地位 数量级的差异将导致迭代收敛速度减慢 依赖于样本距离的算法对于数据的数量级非常敏感 好处： 提升模型的精度：在机器学习算法的目标函数（例如支持向量机的 RBF 内核或线性模型的 l1 和 l2 正则化)，许多学习算法中目标函数的基础都是假设所有的特征都是零均值并且具有同一阶数上的方差。如果某个特征的方差比其他特征大几个数量级，那么它就会在学习算法中占据主导位置，导致学习器并不能像我们期望的那样，从其他特征中学习 提升收敛速度：对于线性模型来
矩阵按行归一化
梦否
03-24 2220
def row_normalize_matrix(matrix): """Row-normalize feature matrix""" rowsum = np.sum(matrix, axis=1, dtype=np.float32) r_inv = np.power(rowsum, -1) r_inv[np.isinf(r_inv)] = 0. r_mat_inv = sp.diags(r_inv) return r_mat_inv.dot(matrix)
机器学习强基计划8-2：详细推导多维缩放MDS算法(附Python实现)
FRIGIDWINTER的博客
03-29 2218
多维缩放算法MDS是经典的线性降维技术，其限制样本经过降维映射得到的低维空间中的欧式距离，等价于原始空间。本文详细推导MDS算法，并给出Python实现加深理解
特征工程之特征缩放：行归一化（范数化，Normalizer）python
与其临渊羡鱼,不如退而结网
05-05 827
特征缩放是特征工程中最重要的步骤之一，因为不同的特征通常具有不同的尺度和分布，而特征缩放可以帮助我们将数据调整为一个更统一的尺度和范围，从而更好地适应模型。行归一化，也叫做范数化，是一种将每个样本的特征向量缩放到单位范数的方法，即调整每个样本的特征向量使得它们的欧几里得距离都为1，这样可以保证样本在各个特征方向上的比重是相同的。下面的示例代码演示了如何使用Normalizer类进行行归一化，其中使用的数据是sklearn.datasets库中的digits数据集。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Data+Science+Insight

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值