Standardisation par z-score

La standardisation remet une variable à l'échelle pour qu'elle ait une moyenne de 0 et un écart-type de 1, ce qui convient le mieux à de nombreux modèles (et à la descente de gradient) :

z = (x - mean) / std

Utilisez l'écart-type de la population : std = √(Σ(x - mean)² / n). Si std vaut 0 (toutes les valeurs égales), renvoyez 0 pour chaque valeur.

Implémentez z_scores(values).

Entrée

values : les valeurs d'une variable.

Sortie

Renvoyez le z-score de chaque valeur, dans le même ordre.

Contraintes

1 ≤ longueur ≤ 10 000

-1 000 000 ≤ chaque valeur ≤ 1 000 000

Exemples

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

Sortie attendue :
expected = [-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0]

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

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

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

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

Entrée :
values = [3.0, 3.0]

Sortie attendue :
expected = [0.0, 0.0]

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

Sortie attendue :
std::vector<double> expected = {0.0, 0.0};

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

Sortie attendue :
double[] expected = new double[] {0.0, 0.0};

Références

Ce défi a été adapté pour CodeUtility. Suivez l'énoncé et les contraintes ci-dessus.

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