머신러닝 - feature scaling

 

 

feature scaling

• 서로 다른 변수의 값 범위를 일정한 수준으로 맞추는 작업
• 비교해야할 데이터의 기준이 서로 다른 경우에 같은 기준으로 만들어서  비교한다.
• 방법 : 표준화(standardization), 정규화(Normalization)
• 값이 잘 안나오면 두개를 각각 해본다.

 

표준화 (standardization)

• 데이터의 평균이 0이고 표준편차가 1인 정규분포를 가진 값으로 변환한다.
• (x - 평균) / 표준편차
• 파이썬 : sklearn.preprocessing.StandardScaler

 

정규화 (Normalization)

• 서로 다른 피처의 크기를 통일하기 위해 크기를 변환해주는 작업
• 최소 0 ~ 최대 1의 값으로 변환한다.
• (x - min(x)) / (max(x) - min(x))
• 파이썬 : sklearn.preprocessing.MinMaxScaler

 

---

 

파이썬으로 feature scaling 하는 방법 

 

 

1. 공식으로 feature scaling

 

x = [10,2,50,1,4,3]
표준화	정규화
s = Series(x) (s-s.mean())/s.std()	s = Series(x) (s - s.min()) / (s.max() - s.min())

 

 

 

2. sklearn.preprocessing로 feature scaling

 

x = [10,2,50,1,4,3]
표준화	정규화
from sklearn.preprocessing import StandardScaler x = np.array(x) std = StandardScaler() # 1차원 배열에서는 수행할 수 없다. std.fit_transform(x.reshape(6,1)) std.transform(x.reshape(6,1))	from sklearn.preprocessing import MinMaxScaler x = np.array(x) normal = MinMaxScaler() # 1차원 배열에서는 수행할 수 없다. normal.fit_transform(x.reshape(6,1)) normal.transform(x.reshape(6,1))

 

 

 

3. sclae로 feature scaling

 

• array의 모양을 맞추는 작업을 생략해도 된다.

x = [10,2,50,1,4,3]
표준화	정규화
from sklearn.preprocessing import scale x = np.array(x) scale(x)	from sklearn.preprocessing import minmax_scale x = np.array(x) minmax_scale(x)