机器学习入门文档深度页

Min-Max 归一化

使用训练集最小值与最大值把特征线性映射到指定范围，典型为 [0,1]。

学习前需要掌握

最大值与最小值内容待补充训练数据边界内容待补充

背景与问题

某些算法或接口希望输入处于有限范围。与 Z-score 不同，Min-Max 不会使均值为 0，也不以标准差为尺度。

概念定义

Min-Max 缩放保持原始顺序和相对线性位置，把训练集最小值映射到 0、最大值映射到 1。

直观理解

把训练区间两端固定在 0 和 1，中间点按比例放置。未来数据超出训练范围时，结果可以小于 0 或大于 1。

核心原理

min 与 max 只能来自训练集。极端值会拉长区间，把大多数普通样本压缩到很窄范围，因此它对异常值敏感。

数学表达

Min-Max 公式

x_{j}^{'} = (x_{j} - x_{j}, min) / (x_{j}, ma x - x_{j}, min)

默认映射到 [0,1]；分母为 0 时是常量特征。

变量含义

xⱼ,min第 j 列训练集最小值。
xⱼ,max第 j 列训练集最大值。

计算步骤

110 → (10-10)/(30-10)=0
220 → 0.5
330 → 1
4未来值 40 → 1.5

代码对应位置

示例 1MinMaxScaler：安全保存训练区间并转换未来数据。

变量解释

变量	含义
`xⱼ,min`	第 j 列训练集最小值。
`xⱼ,max`	第 j 列训练集最大值。

完整数值示例

把 [10,20,30] 映射到 [0,1]

已知条件

训练最小值 10
训练最大值 30

1
10 → (10-10)/(30-10)=0
2
20 → 0.5
3
30 → 1
4
未来值 40 → 1.5

训练集变为 [0,0.5,1]，未来值可以超过目标范围。

处理前后对比

Z-score 使用均值和标准差，结果无固定上下界。
Min-Max 使用端点，保持有限训练范围但更怕极端值。

计算与实现步骤

1
先划分数据。
2
在训练集拟合 min/max。
3
检查常量列和异常值。
4
转换所有分块。
5
保存 scaler 与模型。

代码实现

示例 1

MinMaxScaler

MinMaxScaler

scikit-learnexample_01.py

用途：安全保存训练区间并转换未来数据。

1from sklearn.preprocessing import MinMaxScaler
2
3scaler = MinMaxScaler()
4train = [[10.0], [20.0], [30.0]]
5future = [[40.0]]
6print(scaler.fit_transform(train).ravel())
7print(scaler.transform(future).ravel())

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

安全保存训练区间并转换未来数据。

scaler: 保存训练集缩放参数的转换器。

Step 1 · 1–1 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。

from sklearn.preprocessing import MinMaxScaler

Step 2 · 3–7 行

调用 fit 学习训练数据中的参数；若在 Pipeline 中，预处理器与模型会按顺序拟合。

scaler = MinMaxScaler()
train = [[10.0], [20.0], [30.0]]
future = [[40.0]]
print(scaler.fit_transform(train).ravel())
print(scaler.transform(future).ravel())

预期输出或运行结果

[0. 0.5 1.]，随后 [1.5]。

常见错误 · 3 条

以为未来结果一定在 [0,1]
存在异常值仍直接使用
测试集重新拟合端点

实际应用

有明确有限输入范围的模型
像素或传感器特征缩放

常见错误

以为未来结果一定在 [0,1]

存在异常值仍直接使用

测试集重新拟合端点

文档来源

02｜数据预处理与特征工程原始文档

学习资料/learning_tech/02_preprocessing_feature_engineering.md

§5 Min-Max 归一化

Min-Max 归一化

使用训练集最小值与最大值把特征线性映射到指定范围，典型为 [0,1]。

学习前需要掌握

最大值与最小值内容待补充训练数据边界内容待补充

背景与问题

某些算法或接口希望输入处于有限范围。与 Z-score 不同，Min-Max 不会使均值为 0，也不以标准差为尺度。

概念定义

Min-Max 缩放保持原始顺序和相对线性位置，把训练集最小值映射到 0、最大值映射到 1。

直观理解

把训练区间两端固定在 0 和 1，中间点按比例放置。未来数据超出训练范围时，结果可以小于 0 或大于 1。

核心原理

min 与 max 只能来自训练集。极端值会拉长区间，把大多数普通样本压缩到很窄范围，因此它对异常值敏感。

数学表达

Min-Max 公式

x_{j}^{'} = (x_{j} - x_{j}, min) / (x_{j}, ma x - x_{j}, min)

默认映射到 [0,1]；分母为 0 时是常量特征。

变量含义

xⱼ,min第 j 列训练集最小值。
xⱼ,max第 j 列训练集最大值。

计算步骤

110 → (10-10)/(30-10)=0
220 → 0.5
330 → 1
4未来值 40 → 1.5

代码对应位置

示例 1MinMaxScaler：安全保存训练区间并转换未来数据。

变量解释

变量	含义
`xⱼ,min`	第 j 列训练集最小值。
`xⱼ,max`	第 j 列训练集最大值。

完整数值示例

把 [10,20,30] 映射到 [0,1]

已知条件

训练最小值 10
训练最大值 30

1
10 → (10-10)/(30-10)=0
2
20 → 0.5
3
30 → 1
4
未来值 40 → 1.5

训练集变为 [0,0.5,1]，未来值可以超过目标范围。

处理前后对比

Z-score 使用均值和标准差，结果无固定上下界。
Min-Max 使用端点，保持有限训练范围但更怕极端值。

计算与实现步骤

1
先划分数据。
2
在训练集拟合 min/max。
3
检查常量列和异常值。
4
转换所有分块。
5
保存 scaler 与模型。

代码实现

示例 1

MinMaxScaler

MinMaxScaler

scikit-learnexample_01.py

用途：安全保存训练区间并转换未来数据。

1from sklearn.preprocessing import MinMaxScaler
2
3scaler = MinMaxScaler()
4train = [[10.0], [20.0], [30.0]]
5future = [[40.0]]
6print(scaler.fit_transform(train).ravel())
7print(scaler.transform(future).ravel())

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

安全保存训练区间并转换未来数据。

scaler: 保存训练集缩放参数的转换器。

Step 1 · 1–1 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。

from sklearn.preprocessing import MinMaxScaler

Step 2 · 3–7 行

调用 fit 学习训练数据中的参数；若在 Pipeline 中，预处理器与模型会按顺序拟合。

scaler = MinMaxScaler()
train = [[10.0], [20.0], [30.0]]
future = [[40.0]]
print(scaler.fit_transform(train).ravel())
print(scaler.transform(future).ravel())

预期输出或运行结果

[0. 0.5 1.]，随后 [1.5]。

常见错误 · 3 条

以为未来结果一定在 [0,1]
存在异常值仍直接使用
测试集重新拟合端点

实际应用

有明确有限输入范围的模型
像素或传感器特征缩放

常见错误

以为未来结果一定在 [0,1]

存在异常值仍直接使用

测试集重新拟合端点

文档来源

02｜数据预处理与特征工程原始文档

学习资料/learning_tech/02_preprocessing_feature_engineering.md

§5 Min-Max 归一化

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

Min-Max 公式

变量含义

计算步骤

代码对应位置

变量解释

完整数值示例

把 [10,20,30] 映射到 [0,1]

已知条件

处理前后对比

计算与实现步骤

代码实现

MinMaxScaler

代码解析

输入数据与任务

Step 1 · 1–1 行

Step 2 · 3–7 行

预期输出或运行结果

常见错误 · 3 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

Min-Max 公式

变量含义

计算步骤

代码对应位置

变量解释

完整数值示例

把 [10,20,30] 映射到 [0,1]

已知条件

处理前后对比

计算与实现步骤

代码实现

MinMaxScaler

代码解析

输入数据与任务

Step 1 · 1–1 行

Step 2 · 3–7 行

预期输出或运行结果

常见错误 · 3 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