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，他们使用了标准缩放器，而不是minMaxScaler）

Answer 1

从ScikitLearn网站：

StandardScaler去除均值并将数据缩放为单位方差。但是，异常值在计算经验均值和标准差时会产生影响，这会缩小特征值的范围，如下图左图所示。特别要注意的是，由于每个要素的离群值具有不同的大小，因此每个要素上转换后的数据的散布是非常不同的：对于转换后的中位数收入要素，大多数数据位于[-2，4]范围内，而相同对于转换后的家庭数，数据被压缩在较小的[-0.2，0.2]范围内。

因此，在存在异常值的情况下，StandardScaler无法保证平衡的要素比例。

MinMaxScaler重新缩放数据集，以使所有特征值都在[0，1]范围内，如下右面板所示。但是，对于换算后的家庭数，此缩放将所有inlier压缩在较窄的范围[0，0.005]中。

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（无失真）。

StandardScaler()会将列中的每个值转换为均值0和标准偏差1左右的范围，即，每个值将通过减去均值并除以标准差进行标准化。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定标器之一（选择取决于数据是否正态分布）

附加说明：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。缩放数据意味着它有助于在特定范围内规范化数据。

当使用MinMaxScaler时，也称为归一化，它将所有（0到1）范围内的值转换为x = [（（value-min）/（Max- Min）]]

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