sklearn中的StandardScaler無法正確安裝，是嗎？

Question

我正在使用sklearn StandardScalar縮放我的特征向量，但是它似乎不適合訓練特征向量。 也許這是預期的行為，但是如果是這樣，則有人可以解釋原因（最好也提供一些數學解釋）。

from sklearn.preprocessing import StandardScaler
import numpy as np

scale_inst = StandardScaler()

# train feature vector
x1 = np.array([1, 2, 10, 44, 55])
# test feature vector
x2 = np.array([1, 2, 10, 44, 667])

# first I fit
scale_inst.fit(x1)
# than I transform training vector and test vector
print scale_inst.transform(x1)
print scale_inst.transform(x2)

# OUTPUT
[-0.94627295 -0.90205459 -0.54830769  0.95511663  1.44151861]
[ -0.94627295  -0.90205459  -0.54830769   0.95511663  28.50315638]

為什么將其從667縮放到28.50315638，不應該將其縮放到1.44151861，又稱訓練特征向量的最大值？

Answer 1

從StandardScaler API中 ：

通過去除均值並縮放到單位方差來標准化特征

這是訓練有素的x1 ，所以它使用的方差/平均x1在這兩種情況下。 因此，這很簡單：

>>> (x1 - np.mean(x1)) / np.std(x1)
array([-0.94627295, -0.90205459, -0.54830769,  0.95511663,  1.44151861])

>>> (x2 - np.mean(x1)) / np.std(x1)
array([ -0.94627295,  -0.90205459,  -0.54830769,   0.95511663, 28.50315638])

您可能正在尋找Sagar提出的建議。

Answer 2

它的行為正確，對於您的用例，您可以使用MinMaxScaler或MaxAbsScaler ，它們分別適合訓練數據和測試數據[0，1]或[-1，1]。