Класс "scale" вычисляет стандартное отклонение по умолчанию, и выходные данные совпадают с классом StandardScaler.Другими словами, я получаю одинаковые результаты в обоих следующих случаях.
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
nns=scaler.fit_transform(X_train.fillna(0))
Что касается github, StandardScaler в 10 раз популярнее (т.е. используется чаще), чем масштаб.
from sklearn.preprocessing import scale
nsc1=scale(X_train.fillna(0))
Есть ли какая-то особая причина, по которой существует класс «scale»?
Обновление:
Например, отбеливание особенно используется в случае изображений перед применением алгоритма kmeans.Те же результаты могут быть достигнуты с использованием класса standardScaler с использованием with_mean в качестве False.Это действительно помогает использовать один и стандартный класс, такой как "StandardScaler", вместо импорта различных модулей, таких как scipy.
import numpy as np
features = np.array([[1.9, 2.5, 1.7], [1.5, 2.5, 2.2], [0.8, 2.5, 1.7]])
from scipy.cluster.vq import whiten
whiten(features)
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler(with_mean=False)
scaler.fit_transform(features)