sklearn.preprocessing.normalize如何對數據進行歸一化，並且可以在具有均值和標准差的新數據上進行復制嗎？

Question

我當時正在研究數據科學問題，並且使用sklearn的預處理規范化功能來規范我的數據集。 現在，一旦保存了模型，我想知道如何將這些轉換應用於新的數據點，以便可以將其輸入模型並進行預測。

我保存的是

finalmodel.pkl
finalmodel.sav
statistics.csv

統計表具有每列的平均值和標准偏差。 歸一化是將平均值減去標准偏差后的通常除以標准偏差，還是sklearn采用其他策略？

Answer 1

與所使用的規范化系統無關 ， sklearn.preprocessing.normalize還提供了參數return_norm ，您可以將其設置為True並存儲供以后使用的規范。

這是一個使用L2（又稱為Taxicab distance ）的示例：

from sklearn.preprocessing import normalize
import numpy as np

x = np.array([[3, 4], [5, 6]])
values, norms = normalize(x, norm='l1', return_norm=True)

您現在會注意到：

values

Out[18]: array([[0.42857143, 0.57142857],
               [0.45454545, 0.54545455]])

norms

Out[19]: array([ 7., 11.])

現在，就像檢查一樣，將一個數組項除以相應的列規范：

3/7

Out[20]:  0.42857142857142855