Elysia Tools
导航
Data Processing
使用各种方法对特征进行缩放和标准化，用于机器学习预处理和数据标准化
执行
填写表单、运行工具，并在同一页面查看结果。
案例
相关内容
等待运行
工具使用指南
特征缩放器是一个专为机器学习预处理设计的在线工具。它能将您的CSV格式数据，通过标准化、归一化等多种方法进行缩放，使不同量纲的特征具有可比性，从而提升模型训练效果和收敛速度。
背景
一个物联网项目收集了温度（范围：-10到40）、湿度（范围：20到100）和气压（范围：980到1050）的传感器数据，准备用于预测模型。
问题
三个特征的数值范围和单位完全不同，直接输入模型会导致权重失衡。
如何使用
上传包含这三列数据的CSV文件，选择“标准化缩放（Z-score）”方法，留空“要缩放的列”以自动处理所有数值列。
结果
所有特征被转换为均值为0、标准差为1的分布，消除了量纲差异，适合用于线性回归或神经网络模型。
背景
在准备一个图像分类任务的数据集时，需要将像素值从0-255的整数范围，缩放到0-1的浮点数范围。
问题
许多深度学习框架要求输入数据在特定范围内（如0-1或-1-1）以获得最佳性能。
如何使用
将像素值数据整理为CSV格式（每行代表一个样本的展平像素向量），选择“最小最大值缩放”方法。
结果
所有像素值被线性缩放到[0, 1]区间，符合大多数深度学习模型的输入要求。
支持标准化（Z-score）、最小最大值缩放、鲁棒缩放、最大绝对值缩放、分位数缩放、单位向量缩放和幂变换（Yeo-Johnson）。
在“要缩放的列”输入框中，输入用逗号分隔的列名。如果留空，工具会自动检测并缩放所有数值列。
逆变换是将缩放后的数据还原回原始尺度的过程。您需要勾选“逆变换”选项，并在“缩放参数”框中粘贴之前正向变换时保存的参数。
您可以选择输出为CSV格式（便于下载使用）、JSON格式（便于程序调用）或文本报告（直接在页面上查看分析摘要）。
工具适合处理中小型数据集。对于非常大的数据文件，建议在本地使用Python的Scikit-learn等库进行处理。