机器学习入门文档深度页

均值、方差与标准差

均值描述中心，方差和标准差描述围绕中心的分散程度。

学习前需要掌握

求和与平方根内容待补充

背景与问题

这些统计量用于标准化、高斯朴素贝叶斯、异常分析和低方差特征检查。

概念定义

总体方差用平均平方偏差，样本方差常用 n-1 自由度修正；标准差是方差平方根并保留原单位。

直观理解

均值回答“通常在哪”，标准差回答“通常离中心多远”。

核心原理

必须区分总体/样本约定与计算轴；极端值会同时影响均值和标准差。

数学表达

核心表达

μ = (1/ n) \sum x_{i} ； σ^{2} = (1/ n) \sum (x_{i} - μ)^{2} ； σ = \sqrt σ^{2}

必须区分总体/样本约定与计算轴；极端值会同时影响均值和标准差。

变量含义

变量定义与本页概念定义一致，代码中的同名变量保持相同语义。

计算步骤

1计算均值
2求每项偏差
3平方并平均
4开平方

代码对应位置

示例 1均值、方差与标准差：最小可验证示例：把正文原理映射为可检查的代码行为。

计算与实现步骤

1
计算均值
2
求每项偏差
3
平方并平均
4
开平方
5
结合单位解释

代码实现

示例 1

均值、方差与标准差：最小可验证示例

均值、方差与标准差：最小可验证示例

NumPyexample_01.py

用途：把正文原理映射为可检查的代码行为。

1import numpy as np
2x = np.array([50., 60., 70.])
3print(x.mean(), x.var(), x.std())

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

把正文原理映射为可检查的代码行为。

mean: 训练特征逐列均值。
std: 训练特征逐列标准差。

Step 1 · 1–3 行

导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。

import numpy as np
x = np.array([50., 60., 70.])
print(x.mean(), x.var(), x.std())

代码与数学原理

z = \frac{x - μ}{σ}

减去训练均值并除以训练标准差，对应代码中的 mean/std 或 StandardScaler。

预期输出或运行结果

60.0、66.666...、8.1649...。

常见错误 · 4 条

不要在测试集上调用 fit 或 fit_transform；测试集只能复用训练参数。
混淆 n 与 n-1
方差单位误解
异常值影响被忽略

实际应用

Z-score
分布描述

常见错误

混淆 n 与 n-1

方差单位误解

异常值影响被忽略

文档来源

01｜数学与数据基础原始文档

学习资料/learning_tech/01_math_data_foundations.md

§3 均值、方差和标准差

均值、方差与标准差

均值描述中心，方差和标准差描述围绕中心的分散程度。

学习前需要掌握

求和与平方根内容待补充

背景与问题

这些统计量用于标准化、高斯朴素贝叶斯、异常分析和低方差特征检查。

概念定义

总体方差用平均平方偏差，样本方差常用 n-1 自由度修正；标准差是方差平方根并保留原单位。

直观理解

均值回答“通常在哪”，标准差回答“通常离中心多远”。

核心原理

必须区分总体/样本约定与计算轴；极端值会同时影响均值和标准差。

数学表达

核心表达

μ = (1/ n) \sum x_{i} ； σ^{2} = (1/ n) \sum (x_{i} - μ)^{2} ； σ = \sqrt σ^{2}

必须区分总体/样本约定与计算轴；极端值会同时影响均值和标准差。

变量含义

变量定义与本页概念定义一致，代码中的同名变量保持相同语义。

计算步骤

1计算均值
2求每项偏差
3平方并平均
4开平方

代码对应位置

示例 1均值、方差与标准差：最小可验证示例：把正文原理映射为可检查的代码行为。

计算与实现步骤

1
计算均值
2
求每项偏差
3
平方并平均
4
开平方
5
结合单位解释

代码实现

示例 1

均值、方差与标准差：最小可验证示例

均值、方差与标准差：最小可验证示例

NumPyexample_01.py

用途：把正文原理映射为可检查的代码行为。

1import numpy as np
2x = np.array([50., 60., 70.])
3print(x.mean(), x.var(), x.std())

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

把正文原理映射为可检查的代码行为。

mean: 训练特征逐列均值。
std: 训练特征逐列标准差。

Step 1 · 1–3 行

导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。

import numpy as np
x = np.array([50., 60., 70.])
print(x.mean(), x.var(), x.std())

代码与数学原理

z = \frac{x - μ}{σ}

减去训练均值并除以训练标准差，对应代码中的 mean/std 或 StandardScaler。

预期输出或运行结果

60.0、66.666...、8.1649...。

常见错误 · 4 条

不要在测试集上调用 fit 或 fit_transform；测试集只能复用训练参数。
混淆 n 与 n-1
方差单位误解
异常值影响被忽略

实际应用

Z-score
分布描述

常见错误

混淆 n 与 n-1

方差单位误解

异常值影响被忽略

文档来源

01｜数学与数据基础原始文档

学习资料/learning_tech/01_math_data_foundations.md

§3 均值、方差和标准差

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心表达

变量含义

计算步骤

代码对应位置

计算与实现步骤

代码实现

均值、方差与标准差：最小可验证示例

代码解析

输入数据与任务

Step 1 · 1–3 行

代码与数学原理

预期输出或运行结果

常见错误 · 4 条

实际应用

常见错误

与其他概念的关系

文档来源

推荐学习资料

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心表达

变量含义

计算步骤

代码对应位置

计算与实现步骤

代码实现

均值、方差与标准差：最小可验证示例

代码解析

输入数据与任务

Step 1 · 1–3 行

代码与数学原理

预期输出或运行结果

常见错误 · 4 条

实际应用

常见错误

与其他概念的关系

文档来源

推荐学习资料