训练数据的预处理包括一个称为标准化的过程，该过程会更改实际数据范围。
对于规范化实现，scikit-learn(以下称为sklearn)提供了称为fit_transform的功能。
这次，我们将与示例代码共享将训练数据和验证数据标准化的实现。

sklearn归一化函数

sklearn中提供了三种主要类型的归一化函数，并且分两步进行。
1.参数计算
2.使用参数

进行转换

适合()

根据输入数据计算标准偏差和最大值/最小值并保存参数

变换()

使用从

拟合函数

计算出的参数转换数据

fit_transform()

连续执行上述过程

为什么有三种功能？

如果要规范化某些数据，则应使用fit_transorm函数计算参数并同时转换数据。 ..
但是，在训练过程中将数据转换为预处理时，必须对训练数据和验证数据使用相同的参数(拟合函数的结果)。 *显示带有示例代码的简单示例。
因此，准备针对特定数据计算参数的fit()和使用计算出的参数进行变换的变换函数。

归一化类型

参照

sklearn进行检查后，似乎有27种类型。我只使用了几种类型，但是如果您有兴趣，请参考它。
API参考sklearn.preprocessing scikit-learn 0.19.2文档

常用的转换方法
？MinMaxScaler()#定义数据的最大值和最小值
？StandardScaler()#标准化

样例代码

以下是使用sklearn进行归一化的示例。该过程的内容在每一行上都有注释。
示例代码过程为