TypeError: fit

文章目录

• 1 解决过程【成功】
• 2 学习Sklearn之数据预处理——StandardScaler
• • 2.1 数据处理——标准化、归一化
  • 2.2 为什么要归一化？
  • 2.3 归一化的适用范围
  • 2.4 归一化公式
  • 2.5 标准化公式
• 3 标准化和归一化区别？
• 4 数据处理时的选择

1 解决过程【成功】

• 源代码如下：

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 1. 导入数据
def load_data() -> pd.DataFrame:
    data = pd.read_excel('data3.xlsx')
    print(data)
    data.columns = ['BillingDate', 'VolumnHL']  # 修改一下属性名
    print("======================")
    print(data)
    return data


# load_data()


# 2. 归一化（可以帮助模型更快拟合）
def max_min_normalization(data:pd.DataFrame) ->pd.DataFrame:
    # VolumnHL 是第二列属性
    volume = data.VolumnHL.values  # 单取出第二列，组成一个向量
    print("===max_min_normalizetion===================")
    print(volume)
    volume1 = volume.reshape(-1, 1)  # 改变volumn的形状，现在volume是一个一行多列的向量,改成多行一列的向量
    volume2 = volume.reshape(len(volume), 1)  # 与上一行的效果一样
    # print(volume1)
    # print(volume2)
    volume = StandardScaler.fit_transform(volume2)
    print(volume)


data = load_data()
max_min_normalization(data)

• 输出的报错信息：
  
• 解决：就是少了一个括号!!
  
• 当然，在很多代码中，还有很多教程喜欢这样去写:

scaler = StandardScaler()
x_train = scaler.fit_transform(x_train)

• 总而言之就是StanderScaler后面的()千万不要忘记！否则报错之后很难排查出来！

2 学习Sklearn之数据预处理——StandardScaler 2.1 数据处理——标准化、归一化

• 数据标准化和归一化，都属于数据特征无量纲的一种方式。
  

  
  

  
  【“无量纲”——将不同规格的数据转换都统一规格，或不同分布的数据转换到某个特定分布的需求】

• 特别是对于需要计算梯度和矩阵的模型（例如逻辑回归中通过梯度下降求解损失函数），无量纲化之后的数据特征对于模型求解有加速作用！

• 在k近邻、聚类算法中，需要计算距离时，使用无量纲化可以提升模型精度，避免异常值对整体计算造成的影响。
  

  
  

• 中心化处理：让所有记录减去一个固定值，即让数据样本平移到某个位置；

• 缩放处理：通过除以某一个固定值，将数据固定在某个范围之内！

2.2 为什么要归一化？

1. 归一化后加快了梯度下降求最优解的速度；
   如果机器学习模型使用梯度下降Q法求最优解时，归一化往往非常有必要，否则很难收敛甚至不能收敛。
   

   
   

2. 归一化有可能提高精度；
   一些分类器需要计算样本之间的距离(如欧氏距离Q)，例如KNN。
   

   
   

   如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖(此如这时实际情况是值域范围小的特征更重要)。
   

   
   

2.3 归一化的适用范围

• 概率模型（树型模型）不需要做归一化

2.4 归一化公式

• Normalization和Min-Max Scaling都是数据归一化：数据x按照最小值中心化之后，再按极差（最大值-最小值）进行缩放，最终会被收敛到[0,1]之间！

2.5 标准化公式

• 标准化：数据x按照均值中心化之后，再按标准差缩放，数据就会服从均值为0，方差为1的标准正态分布，这个过程就叫做数据标准化。
  

  
  

如果本篇文章对你有帮助的话，麻烦收藏+点赞+关注我哦！

3 标准化和归一化区别？

1. 首先明确，标准化和归一化都不会改变数据的分布。
   

   
   

2. 归一化会严格限制数据变化后的范围，默认是[0,1]
3. 标准化则没有严格的区间，变化之后的数据没有范围，只是数据整体的均值为0，标准差为1

4 数据处理时的选择

• 在大多数机器学习算法中，因为归一化MinMaxScaler对异常值敏感，所以都会选择标准化StandardScaler进行特征缩放，例如聚类、逻辑回归、支持向量机、PCA算法等等。
  

  
  

• 如果在缩放时，不涉及距离、梯度等的计算，并且对数据的范围有严格要求，就可以使用归一化进行缩放。