数据归一化

数据归一化做了什么？

数据归一化（Normalization）是一种常见的数据预处理技术，目的是将数据缩放到一个特定的范围内，通常是 [0, 1] 或 [-1, 1]。归一化的主要目的是消除不同特征之间的量纲差异，使得模型在训练时能够更好地收敛，尤其是对于基于距离的算法（如KNN、SVM）或梯度下降优化的算法（如神经网络）。

在代码中，MinMaxScaler 被用来将 Close 列的数据缩放到 [-1, 1] 的范围内。具体来说，MinMaxScaler 通过以下公式进行归一化：

举个例子

假设我们有以下 Close 数据：

import numpy as np
from sklearn.preprocessing import MinMaxScaler# 假设的 Close 数据
data = np.array([100, 110, 105, 120, 115]).reshape(-1, 1)# 创建 MinMaxScaler 对象，范围设置为 [-1, 1]
scaler = MinMaxScaler(feature_range=(-1, 1))# 进行归一化
scaled_data = scaler.fit_transform(data)print("原始数据:\n", data)
print("归一化后的数据:\n", scaled_data)

输出结果：

原始数据:[[100][110][105][120][115]]
归一化后的数据:[[-1.        ][-0.33333333][-0.66666667][ 1.        ][ 0.33333333]]

解释：

通过这种方式，所有数据都被映射到了 [-1, 1] 的范围内，从而实现了归一化。