sklearn.preprocessing.normalize如何对数据进行归一化，我是否可以在具有均值和标准差的新数据上进行复制？

Question

我正在研究数据科学问题，并且我使用了sklearn的预处理规范化功能来规范我的数据集。现在，一旦保存了模型，我想知道如何将这些转换应用于新的数据点，以便将其输入模型并进行预测。

我保存的是

finalmodel.pkl
finalmodel.sav
statistics.csv

统计表具有每列的平均值和标准偏差。归一化是将平均值减去平均值后再除以标准差吗？还是sklearn采用其他策略？

Answer 1

与您使用的规范化系统无关，sklearn.preprocessing.normalize还提供了参数 return_norm ，您可以将其设置为True并存储供以后使用的规范

下面是使用L2（又称Taxicab distance）的示例：

from sklearn.preprocessing import normalize
import numpy as np

x = np.array([[3, 4], [5, 6]])
values, norms = normalize(x, norm='l1', return_norm=True)

您现在会注意到：

values

Out[18]: array([[0.42857143, 0.57142857],
               [0.45454545, 0.54545455]])

norms

Out[19]: array([ 7., 11.])

现在，就像检查一样，将一个数组项除以相应的列规范：

3/7

Out[20]:  0.42857142857142855