Python sklearn中的StandardScaler不适合，或者是？

我正在使用

sklearn

中的

StandardScalar

来缩放我的特征向量，但它似乎不适合训练特征向量。或者这可能是预期的行为，但如果是，有人能解释为什么（最好也有一些数学解释）

---

为什么它会从667扩展到28.50315638，难道它不应该扩展到1.44151861，即训练特征向量的最大值吗？

它运行正常，对于您的用例，您可以使用或哪种类型分别适合[0,1]或[-1,1]中的训练和测试数据。

对于您的用例，它运行正常，您可以分别在[0,1]或[-1,1]中使用或使用哪种类型的训练和测试数据。

来自：

通过删除平均值并缩放到单位方差来标准化特征

它在

x1

上进行训练，因此在这两种情况下都使用

x1

的方差/平均值。 因此，它的作用很简单：

>>> (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])

您可能正在寻找萨加尔的建议。

来自：

通过删除平均值并缩放到单位方差来标准化特征

它在

x1

上进行训练，因此在这两种情况下都使用

x1

的方差/平均值。 因此，它的作用很简单：

>>> (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])

你可能正在寻找萨加尔的建议