1、數(shù)據(jù)預(yù)處理概述

在選擇了合適模型的前提下，機器學(xué)習(xí)可謂是“訓(xùn)練臺上3分鐘，數(shù)據(jù)數(shù)量和質(zhì)量臺下10年功”。數(shù)據(jù)的收集與準(zhǔn)備是機器學(xué)習(xí)中的重要一步，是構(gòu)建一個好的預(yù)測模型大廈的基石。數(shù)據(jù)的數(shù)量與質(zhì)量直接決定了預(yù)測模型的好壞

所以，在數(shù)據(jù)的收集與準(zhǔn)備這一步中，必須做好數(shù)據(jù)預(yù)處理。Scikit-Learn提供了標(biāo)準(zhǔn)化和歸一化等API方便我們進(jìn)行數(shù)據(jù)預(yù)處理。標(biāo)準(zhǔn)化和歸一化是常用的數(shù)據(jù)縮放方式

數(shù)據(jù)預(yù)處理的一般順序（不一定全需要做）為：處理離群值、處理缺失值、標(biāo)準(zhǔn)化或歸一化、糾偏、連續(xù)特征離散化、類別特征編碼、特征增強和對不平衡數(shù)據(jù)集的處理（僅針對分類問題）

那么，為什么要進(jìn)行標(biāo)準(zhǔn)化和歸一化呢？

例如，我們的某個樣本與其它樣本數(shù)值相差較大，那么，該樣本特征的方差就會比其他樣本特征大幾個數(shù)量級，那么，它就會在學(xué)習(xí)算法中占據(jù)主導(dǎo)位置，導(dǎo)致學(xué)習(xí)器并不能像我們說期望的那樣，從其他特征中學(xué)習(xí)。也就是說，該樣本會主導(dǎo)其它樣本，最終導(dǎo)致預(yù)測結(jié)果的偏差

當(dāng)某個或某些特征的單位或大小與其它樣本相差較大，或者某特征的方差比其他的特征要大出幾個數(shù)量級，那么，該特征就容易影響（支配）目標(biāo)結(jié)果，使得一些算法無法學(xué)習(xí)到其他的特征，即無量綱化

因此，我們需要做的是對樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化或歸一化，將所有的數(shù)據(jù)映射到同一尺度

2、數(shù)據(jù)標(biāo)準(zhǔn)化

2.1、什么是數(shù)據(jù)標(biāo)準(zhǔn)化

定義：數(shù)據(jù)標(biāo)準(zhǔn)化通過減去均值然后除以方差（或標(biāo)準(zhǔn)差），轉(zhuǎn)化為均值為0，標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布，轉(zhuǎn)化公式為：
$$X^{{}^{\prime }}=\frac{X?\mu }{\sigma }$$

其中，$\mu$為均值，$\sigma$為標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)化操作是將數(shù)據(jù)按其屬性（按列）減去平均值，然后再除以標(biāo)準(zhǔn)差

當(dāng)數(shù)據(jù)X按均值$\mu$中心化后，再按標(biāo)準(zhǔn)差 σ \sigma