max_min标准化

Max-Min标准化（也称为归一化或Min-Max Scaling）是一种将数据缩放到特定范围（通常是0到1）的标准化方法。这种方法通过线性变换将数据映射到一个指定的范围内。Max-Min标准化的公式如下：

sklearn实现max_min标准化

import numpy as np
from sklearn.preprocessing import MinMaxScaler

# 生成示例数据
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])

# 创建MinMaxScaler对象，指定范围为0到1
scaler = MinMaxScaler()

# 对数据进行归一化
data_normalized = scaler.fit_transform(data)

print("原始数据:")
print(data)
print("\n归一化后的数据:")
print(data_normalized)
print("\n数据的最小值:", scaler.data_min_)
print("数据的最大值:", scaler.data_max_)

手动实现max_min标准化

import numpy as np

# 生成示例数据
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])

# 计算数据的最小值和最大值
data_min = np.min(data, axis=0)
data_max = np.max(data, axis=0)

# 进行Max-Min标准化
data_normalized = (data - data_min) / (data_max - data_min)

print("原始数据:")
print(data)
print("\n归一化后的数据:")
print(data_normalized)