Sxklearn.preprocessing之StandardScaler 的transform()函数和fit_transform()函数清晰讲解及其案例应用--已解决

喵喵love

于 2020-12-22 09:43:07 发布

阅读量1.1k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： Pytorch 文章标签：神经网络

本文链接：https://blog.csdn.net/qq_41603193/article/details/111504959

本文详细介绍了在Scikit-learn中StandardScaler的fit_transform()和transform()函数的区别与联系。fit_transform()是fit和transform的组合，用于计算训练集的均值和标准差并进行标准化处理；transform()则使用已知的均值和标准差对数据进行转换。未先fit的数据不能直接使用transform，只有在fit之后，transform才能正确应用标准化参数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

楼主之前因为transform()函数和fit_transform()函数两个函数的功能和实现傻傻分不清楚，现在总结一下，主要是看了一位大神的讲解：
添加链接描述

1.两函数功能

首先我们要明确： fit(x,y)传两个参数的是有监督学习的算法；fit(x)传一个参数的是无监督学习的算法，比如降维、特征提取、标准化。

函数实现的功能：

对数据进行标准化处理

使用公式如下：

其中μ是均值， σ是标准差。目的是使数据服从均值为零，标准差为1的标准正态分布。一般标准化都是给训练集数据做的，但在以下情况中也必须做数据标准化：交叉验证时的测试集，或预测前获得了一组新的样本等。而在对新的数据或测试集进行标准化时，我们所用的是训练集标准化中的均值μ和标准差σ。因此经常有代码这样写：

from sklearn.preprocessing import StandardScaler
ss= StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)

即fit_t

最低0.47元/天解锁文章