为什么归一化范围不在 0 和 1 之间？答案

【问题标题】：why normalization range is not between 0 and 1?为什么归一化范围不在 0 和 1 之间？
【发布时间】：2019-12-21 15:21:02
【问题描述】：

这是我的代码。我正在尝试对数据集应用规范化，但我可以看到输出没有在 0 和 1 之间缩放。我在这里遗漏了什么吗？由于此代码适用于 iris 数据集。归一化不是总是返回 0 到 1 之间的缩放值吗？

# Normalize the data attributes for the boston dataset.
from sklearn.datasets import load_boston
from sklearn import preprocessing
# load the iris dataset
dataset = load_boston()
print(iris.data.shape)
# separate the data from the target attributes
X = dataset.data
y = dataset.target
# normalize the data attributes
normalized_X = preprocessing.normalize(X)



normalized_X[:5]

输出：

array([[1.26388341e-05, 3.59966795e-02, 4.61957387e-03, 0.00000000e+00,
        1.07590075e-03, 1.31487871e-02, 1.30387972e-01, 8.17924550e-03,
        1.99981553e-03, 5.91945396e-01, 3.05971776e-02, 7.93726783e-01,
        9.95908132e-03],
       [5.78529889e-05, 0.00000000e+00, 1.49769546e-02, 0.00000000e+00,
        9.93520754e-04, 1.36021253e-02, 1.67140272e-01, 1.05222110e-02,
        4.23676228e-03, 5.12648235e-01, 3.77071843e-02, 8.40785474e-01,
        1.93620036e-02],
       [5.85729947e-05, 0.00000000e+00, 1.51744622e-02, 0.00000000e+00,
        1.00662274e-03, 1.54212886e-02, 1.31139977e-01, 1.06609718e-02,
        4.29263427e-03, 5.19408747e-01, 3.82044450e-02, 8.43137761e-01,
        8.64965806e-03],
       [7.10489715e-05, 0.00000000e+00, 4.78488594e-03, 0.00000000e+00,
        1.00526503e-03, 1.53599229e-02, 1.00526503e-01, 1.33059337e-02,
        6.58470542e-03, 4.87268201e-01, 4.10446638e-02, 8.66174100e-01,
        6.45301131e-03],
       [1.50596596e-04, 0.00000000e+00, 4.75453408e-03, 0.00000000e+00,
        9.98888353e-04, 1.55874565e-02, 1.18209058e-01, 1.32215305e-02,
        6.54293681e-03, 4.84177324e-01, 4.07843061e-02, 8.65630540e-01,
        1.16246177e-02]])

【问题讨论】：

您的输出 normalized_X[:5] 仅包含 0 到 1 之间的数字。您可能错过了科学记数法？
@AidenRay 对不起，我错过了那个。感谢您的快速回复。

标签： python machine-learning normalization

【解决方案1】：

为什么说值不在0和1之间？

归一化并不意味着 min=0 和 max=1... 它意味着每个非零向量都将被缩放，使其范数（默认情况下 L2 范数）为 1。

换句话说，对于每个向量，每个坐标的平方和将为 1。

例如，考虑到我们可以看到的最后一个向量

In [1]: x = [1.50596596e-04, 0.00000000e+00, 4.75453408e-03, 0.00000000e+00, 
   ...:         9.98888353e-04, 1.55874565e-02, 1.18209058e-01, 1.32215305e-02, 
   ...:         6.54293681e-03, 4.84177324e-01, 4.07843061e-02, 8.65630540e-01, 
   ...:         1.16246177e-02]                                                                   

In [2]: sum(c**2 for c in x)                                                                      
Out[2]: 0.9999999993530653

In [3]:

【讨论】：

【解决方案2】：

归一化并不总是以 0-1 之间的值结束。

使用 MinMaxScaler 来获得 0-1 之间的值：

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(X)
normalized_X = scaler.transform(data)

【讨论】：