标准缩放器和MinMaxScaler之间的区别

Question

MinMaxScaler和标准缩放器有什么区别。

MMS= MinMaxScaler(feature_range = (0, 1))（在Program1中使用）

sc = StandardScaler()（在另一个程序中，他们使用标准缩放器而不是minMaxScaler）

Answer 1

来自ScikitLearn site：

  

StandardScaler去除均值并将数据缩放为单位方差。   但是，离群值在计算经验值时会产生影响   均值和标准差会缩小特征范围   值如下左图所示。特别注意   因为每个要素的离群值具有不同的大小，所以   转换后的数据在每个要素上的分布是非常不同的：大多数   的数据位于转换后的中位数收入的[-2，4]范围内   功能，而相同的数据被压缩为较小的[-0.2，0.2]   转换的家庭数量范围。

     

因此，StandardScaler无法保证平衡的要素比例   离群值的存在。

     

MinMaxScaler重新缩放数据集，以使所有要素值都位于   范围[0，1]，如下右面板所示。但是这个   缩放将所有inlier压缩在狭窄范围[0，0.005]中   转换的家庭数量。

Answer 2

MinMaxScaler(feature_range = (0, 1))将在[0,1]范围内按比例转换列中的每个值。将其用作变换要素的第一个缩放器选择，因为它将保留数据集的形状（不失真）。

StandardScaler()会将列中的每个值转换为均值0和标准差1左右的范围，即，将每个值减去均值并除以标准差即可将其标准化。如果您知道数据分发是正常的，请使用StandardScaler。

如果存在异常值，请使用RobustScaler()。或者，您可以删除异常值并使用以上两个缩放器中的一个（选择取决于数据是否正态分布）

其他说明：如果在train_test_split之前使用了定标器，则会发生数据泄漏。在train_test_split之后使用定标器

Answer 3

当数字输入变量缩放到标准范围时，许多机器学习算法的性能会更好。 缩放数据意味着有助于在特定范围内规范化数据。

使用MinMaxScaler时，也称为标准化，它将转换（0到1）范围内的所有值 公式是x = [（值-最小）/（最大-最小）]

StandardScaler处于标准化之下，其值范围在（-3至+3）之间 公式是z = [（x-x.mean）/ Std_deviation]