Z-Score-Standardisierung

Die Standardisierung skaliert ein Merkmal auf Mittelwert 0 und Standardabweichung 1, womit viele Modelle (und der Gradientenabstieg) am besten arbeiten:

z = (x - mean) / std

Verwende die Populations-Standardabweichung: std = √(Σ(x - mean)² / n). Ist std gleich 0 (alle Werte gleich), gib für jeden Wert 0 zurück.

Implementiere z_scores(values).

Eingabe

values: Die Werte eines Merkmals.

Ausgabe

Gib den Z-Score jedes Werts in derselben Reihenfolge zurück.

Einschränkungen

1 ≤ Länge ≤ 10.000

-1.000.000 ≤ jeder Wert ≤ 1.000.000

Beispiele

Eingabe:
values = [2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0]

Erwartete Ausgabe:
expected = [-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0]

Eingabe:
std::vector<double> values = {2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0};

Erwartete Ausgabe:
std::vector<double> expected = {-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0};

Eingabe:
double[] values = new double[] {2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0};

Erwartete Ausgabe:
double[] expected = new double[] {-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0};

Eingabe:
values = [3.0, 3.0]

Erwartete Ausgabe:
expected = [0.0, 0.0]

Eingabe:
std::vector<double> values = {3.0, 3.0};

Erwartete Ausgabe:
std::vector<double> expected = {0.0, 0.0};

Eingabe:
double[] values = new double[] {3.0, 3.0};

Erwartete Ausgabe:
double[] expected = new double[] {0.0, 0.0};

Referenzen

Diese Aufgabe wurde für CodeUtility angepasst. Beachte die oben genannten Vorgaben und Einschränkungen.

• scikit-learn, Preprocessing data
• Goodfellow, Bengio and Courville, Deep Learning