características de procesamiento numéricas: la conversión de los datos en datos mediante un algoritmo específico requiere métodos estadísticos, la normalización y la estandarización
# Calculado normalizada determinar su muy sensible a los valores atípicos, una vez que los valores anormales de causa aparecen menos robusto, los datos normalizados sólo es adecuado para la escena convencional pequeña precisión de sklearn.preprocessing importación MinMaxScaler DEF mm (): # especifica feature_range un conjunto de datos normalizados de la gama, no se especifica es de entre 0-1 mm = MinMaxScaler (feature_range = (2 ,. 3 )) # fit_transform recibido de matriz de datos = mm.fit_transform ([[90, 2, 10, 40 ], [60 ,. 4, 15, 45], [75 ,. 3, 13 es decir, 46 es ]]) Imprimir (Data) SI la __name__ == " __main__ " : mm ()
# dimensiones normalizadas se utilizan para eliminar la influencia de, pero en grandes cantidades de datos, es mejor resistencia a un valor anormal de sklearn.preprocessing importación StandardScaler DEF soporte) (: STD = StandardScaler () # fit_transform matriz recibidos de datos = std.fit_transform ([[1, -1 ,. 3], [2 ,. 4, 2], [4 ,. 6, -1.. ]]) Imprimir (Data) SI la __name__ == " __main__ " : soporte ()