sklearn.preprocessingのstandardscalerとNormalizerの違い

Question

Sklearn.preprocessingモジュールのstandardscalerとnormalizerの違いは何ですか？両方が同じことをしないのですか？つまり、偏差を使用して平均とスケールを削除しますか？

Answer 1

Normalizer ドキュメントから：

少なくとも1つの非ゼロ成分を持つ各サンプル（つまり、データ行列の各行）は、そのノルム（l1またはl2）が1になるように、他のサンプルとは無関係に再スケーリングされます。

そして StandardScaler

平均を削除して単位分散にスケーリングすることにより、機能を標準化する

言い換えると、ノーマライザーは行方向とStandardScaler列方向に作用します。ノーマライザは、偏差による平均とスケールを削除しませんが、行全体を単位ノルムにスケーリングします。

Answer 2

この 視覚化 と 記事 は、Benによるアイデアの説明に大いに役立ちます。

StandardScalerは、データが各機能内に正規分布していることを前提としています。 「平均を削除して単位分散にスケーリングする」ことにより、元のスケールに関係なく同じ「スケール」を持つようになりました。

Answer 3

StandardScaler（）は、平均を削除して単位分散にスケーリングすることにより、特徴（個人データの特徴（身長、体重など））を標準化します。

（ユニット分散：ユニット分散とは、サンプルサイズが無限大に向かうにつれて、サンプルの標準偏差と分散が1に向かう傾向があることを意味します。）

Normalizer（）は、各サンプルを再スケーリングします。たとえば、各会社の株価を互いに独立して再スケーリングします。

一部の株は他の株よりも高価です。これを説明するために、正規化します。ノーマライザーは、各企業の株価を相対的な規模に個別に変換します。

Answer 4

StandardScalerは、平均を削除して単位分散にスケーリングすることで機能を標準化し、Normalizerは各サンプルを再スケーリングします。

Answer 5

this の記事を表示する@vincentlcyによる優れた提案に加えて、Scikit-Learnのドキュメントに例があります here 。重要な違いは、Normalizer()が列ではなく各サンプル（行）に適用されることです。これは、各列の類似タイプのデータの仮定に適合する特定のデータセットでのみ機能する場合があります。