PROSAGA码农传奇-特征工程-数据标准化与规范化与稳健缩放器

<div class =“post-text”itemprop =“text”>
  <BLOCKQUOTE>
    
      我是否正确地说，标准化也会受到极端值的负面影响？
    
  </BLOCKQUOTE>
  
    的确，你是; scikit-learn
    <a href="http://scikit-learn.org/0.18/auto_examples/preprocessing/plot_robust_scaling.html" rel="nofollow noreferrer">
      文档
    </A>
     他们自己明确警告这样的情况：
  
  <BLOCKQUOTE>
    
      但是，当数据包含异常值时，
      <a href="http://scikit-learn.org/0.18/modules/generated/sklearn.preprocessing.StandardScaler.html#sklearn.preprocessing.StandardScaler" rel="nofollow noreferrer">
         <code>
 StandardScaler
 </code>
      </A>
       经常会被误导。在这种情况下，最好使用对异常值具有鲁棒性的定标器。
    
  </BLOCKQUOTE>
  
    或多或少，同样适用于
     <code>
 MinMaxScaler
 </code>
     同样。
  
  <BLOCKQUOTE>
    
      我真的看不出怎么了
      的
        
          强大的缩放器
        
      </强>
       改进了数据因为我还有
      的
        
          极端值
        
      </强>
       在结果数据集？任何简单完整的解释？
    
  </BLOCKQUOTE>
  
    的
      健壮并不意味着
      
        免疫的
      
      ， 要么
      
        无懈可击
      
    </强>
    ，缩放的目的是
    
      不
    
     “消除”异常值和极端值 - 这是一个单独的任务，有自己的方法;这再次清楚地提到了
    <a href="http://scikit-learn.org/stable/auto_examples/preprocessing/plot_all_scaling.html#robustscaler" rel="nofollow noreferrer">
      相关的scikit-learn文档
    </A>
    ：
  
  <BLOCKQUOTE>
    
      的
        RobustScaler
      </强>
    
    
      [...]请注意，异常值本身仍然存在于转换后的数据中。如果需要单独的异常值限幅，则需要进行非线性变换（见下文）。
    
  </BLOCKQUOTE>
  
    其中“见下文”指的是
    <a href="http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.QuantileTransformer.html#sklearn.preprocessing.QuantileTransformer" rel="nofollow noreferrer">
       <code>
 QuantileTransformer
 </code>
    </A>
     和
    <a href="http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.quantile_transform.html" rel="nofollow noreferrer">
       <code>
 quantile_transform
 </code>
    </A>
    。
  
</DIV>