pass

Question

这里需要注意两点：

第一点：fit_transform的输入必须是二维矩阵[n_examples, features],

第二点：fit_transform会在每个feature上单独计算均值和方差然后做归一化，我们在这里需要的是全局的均值和方差，所以最后一维是1.
老师，上面的讲解我不太懂，首先fit_transform的输入必须是二维矩阵[n_examples, features], n_examples代表样本总数，features代表特征数，那么n_examples是None?, features是2828？，features这个概念我不清楚。
在这里计算全局的均值和方差，所以让n_examples = None28*28？令features=1吗？
老师说fit_transform会在每个feature上单独计算均值和方差然后做归一化，如果在每个feature上单独计算均值和方差的话，又该怎么设置呢?

Answer 1

正十七 2020-04-15 22:24:53

同学你好，可以看下面这个例子：

>>> from sklearn.preprocessing import StandardScaler
>>> data = [[0, 0], [0, 0], [1, 1], [1, 1]]
>>> scaler = StandardScaler()
>>> print(scaler.fit(data))
StandardScaler()
>>> print(scaler.mean_)
[0.5 0.5]
>>> print(scaler.transform(data))
[[-1. -1.]
 [-1. -1.]
 [ 1.  1.]
 [ 1.  1.]]
>>> print(scaler.transform([[2, 2]]))
[[3. 3.]

输入为4x2的矩阵，得到的均值有两个，4是样本数目，2是feature数目，所以这个操作是为每个特征求一个均值和方差，去做归一化。

再看看我们的需求，我们的需求是给给定所有的图片，每张图片有28*28个像素点，然后我们需要计算所有图片的所有像素点上的均值和方差，注意，只要一个均值和方差。所以我们把最后以为设成1。

同理，如果你想给图片的每个位置分别计算均值和方差，那么输入就应该是[None, 28 * 28]。