线性归一方法

该方法将输入数据进行等比缩放，将其转换到 [0,1] 的范围，公式为：

Xnorm = (X - Xmin) / (Xmax - Xmin)

• 优点：消除原始数据的纲量和数量级影响
• 缺点：依赖最大值与最小值两个极值，而与其他值无关，使得在改变各变量权重时过分依赖极值。

零均值归一方法

该方法将原始数据集归一化为均值为0，方差为1的数据集，公式为：

Xnorm = ( x - u ) / σ

• 优点：去量纲化
• 缺点：该方法要求原始数据集满足近似高斯分布，否则归一化效果不好。

使用sklearn.preprocessing.PolynomialFeatures进行特征构造

该方法用多项式的方法来进行，如有a,b两个特征，那么二次多项式为（1,a,b,a^2,ab,b2）。

PloynomialFeatures有三个参数：

• degree：控制多项式的度
• interaction_only：默认为False，如为Ture，则不会有自己与自己结合的特征项。
• include_bias：默认为Ture，如为false，则不会有最前面的1。

X = np.arange(6).reshape(3, 2)

array([[0, 1],
[2, 3],
[4, 5]])

poly = PolynomialFeatures()
poly.fit_transform(X)

array([[ 1., 0., 1., 0., 0., 1.],
[ 1., 2., 3., 4., 6., 9.],
[ 1., 4., 5., 16., 20., 25.]])

poly = PolynomialFeatures(interaction:ture)
poly.fit_transform(X)

array([[ 1., 0., 1., 0.],
[ 1., 2., 3., 6.],
[ 1., 4., 5., 20.]])