机器学习之数据预处理——Normalizer

前言

数据预处理是机器学习中常用的处理数据的方法，这样能够让模型的训练速度得到质的提升，本文将为大家展现常用的几种数据预处理方法。

一、手工生成数据

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
X,y=make_blobs(n_samples=40,centers=2,random_state=50,cluster_std=2)
plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.cool)
plt.show()

生成的数据集如上

二、使用步骤

1.引入库

from sklearn.preprocessing import Normalizer

2.对数据进行预处理

from sklearn.preprocessing import Normalizer
X_1=Normalizer().fit_transform(X)
plt.scatter(X_1[:,0],X_1[:,1],c=y,cmap=plt.cm.cool)
plt.show()

3.结果分析：

Normalizer方法将所有样本的特征向量转化为欧几里得距离为1.也就是说，它把数据的分布变成一个半径为1的圆，或者是一个球。Normalizer通常是在我们只想保留数据特征向量的方向，而忽略其数值的时候使用。