关键信息
- 分类
- 数据与表格
- 输入类型
- textarea, select, text, checkbox
- 输出类型
- text
- 样本覆盖
- 4
- 支持 API
- Yes
概览
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。
适用场景
- •在训练机器学习模型（如SVM、KNN、神经网络）前，需要对输入特征进行标准化或归一化处理时。
- •当数据集中不同特征的数值范围差异巨大（例如，年龄和收入），需要消除量纲影响时。
- •需要对已缩放的数据进行逆变换，以还原到原始尺度或解释模型结果时。
工作原理
- •第一步：在输入框中粘贴或上传您的CSV格式数据，并确认首行是否为列标题。
- •第二步：从下拉菜单中选择一种缩放方法（如Z-score标准化或最小最大值缩放），并可选择指定要处理的列。
- •第三步：点击处理按钮，工具将计算并应用缩放变换，生成缩放后的数据及可选的参数报告。
使用场景
机器学习模型训练前的数据预处理，确保所有特征处于相近的数值尺度。
数据可视化前的标准化，使不同指标的图表具有可比性。
对模型预测结果进行逆缩放，将其转换回业务可理解的原始单位。
用户案例
1. 标准化传感器读数
数据分析师- 背景原因
- 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。
- 解决问题
- 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。
- 效果
- 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。
2. 归一化图像像素值
- 背景原因
- 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。
- 解决问题
- 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。
- 效果
- 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。
用 Samples 测试
csv, hash相关专题
常见问题
这个工具支持哪些缩放方法？
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）。
如何只缩放数据集中的特定列？
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。
什么是逆变换？如何使用？
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。
输出结果有哪些格式？
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）。
这个工具能处理多大的数据？
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。