sklearn.preprocessing.StandardScaler數據標准化

如果某個特征的方差遠大於其它特征的方差，那么它將會在算法學習中占據主導位置，導致我們的學習器不能像我們期望的那樣，去學習其他的特征，這將導致最后的模型收斂速度慢甚至不收斂，因此我們需要對這樣的特征數據進行標准化/歸一化。

1.StandardScaler

標准化數據通過減去均值然后除以方差（或標准差），這種數據標准化方法經過處理后數據符合標准正態分布，即均值為0，標准差為1，轉化函數為：x =(x - 𝜇)/𝜎

import numpy as np
from sklearn.preprocessing import StandardScaler

'''
scale_： 縮放比例，同時也是標准差
mean_： 每個特征的平均值
var_:每個特征的方差
n_sample_seen_:樣本數量，可以通過patial_fit 增加
'''
x = np.array(range(1, 10)).reshape(-1, 1)
ss = StandardScaler()
ss.fit(X=x)
print(x)
print(ss.n_samples_seen_)
print(ss.mean_)
print(ss.var_)
print(ss.scale_)
print('標准化后的數據:')
y = ss.fit_transform(x)

>>>

[[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]]
9
[5.]
[6.66666667]
[2.5819889]
標准化后的數據:
[[-1.54919334]
[-1.161895 ]
[-0.77459667]
[-0.38729833]
[ 0. ]
[ 0.38729833]
[ 0.77459667]
[ 1.161895 ]
[ 1.54919334]]