---

---

前言

数据预处理是机器学习中常用的处理数据的方法，这样能够让模型的训练速度得到质的提升，本文将为大家展现常用的几种数据预处理方法。

一、手工生成数据

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
X,y=make_blobs(n_samples=40,centers=2,random_state=50,cluster_std=2)
plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.cool)
plt.show()

生成的数据集如上

二、使用步骤

1.引入库

from sklearn.preprocessing import MinMaxScaler

2.对数据进行预处理

from sklearn.preprocessing import StandardScaler
X_1=MinMaxScaler().fit_transform(X)
plt.scatter(X_1[:,0],X_1[:,1],c=y,cmap=plt.cm.cool)
plt.show()

3.结果分析：

对比两个图，可以看到这次所有数据的两个特征值都被转换到0到1之间。对于我们使用make_blobs生成的二维数据集，你也可以想象成是我们通过MinMaxScaler把所有的数据压进了一个长和宽都是1的方格子当中，这样会让模型训练的速度更快且准确率也会提高。

---