归一化

归一化后加快了梯度下降求最优解的速度；归一化有可能提高精度。

• min-max 标准化 (Min-max normalization)
  • x ＝ (x - min)/(max - min)

      from sklearn import preprocessing
      scaler = preprocessing.MinMaxScaler()
      x_train_minmax  = scaler.fit_transform(x_train)
    

• z-score 0均值标准化(zero-mean normalization)
  • x = (x - u)/σ ，其中 u 为所有样本数据的均值，σ: 为所有样本数据的标准差。

      from sklearn import preprocessing
      scaler = preprocessing.scale(X)
      x_scaler = scaler.fit_transform(x)
    

    除此之外还有另一个函数 StandardScaler 。使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。

      from sklearn import preprocessing
      scaler = preprocessing.StandardScaler()
      x_train_scaled  = scaler.fit_transform(x_train) # fit_transform 等同于 fit + transform 两个函数的结合
      x_test_scaled = scaler.transform(x_test)