minmax_scale#

sklearn.preprocessing.minmax_scale(X, feature_range=(0, 1), *, ось=0, copy=True)[источник]#

Преобразование признаков путем масштабирования каждого признака до заданного диапазона.

Этот оценщик масштабирует и преобразует каждый признак отдельно так, чтобы он находился в заданном диапазоне на обучающем наборе, т.е. между нулем и единицей.

Преобразование задаётся (когда axis=0):

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

где min, max = feature_range.

Преобразование вычисляется как (когда axis=0):

X_scaled = scale * X + min - X.min(axis=0) * scale
where scale = (max - min) / (X.max(axis=0) - X.min(axis=0))

Это преобразование часто используется как альтернатива масштабированию с нулевым средним и единичной дисперсией.

Подробнее в Руководство пользователя.

Добавлено в версии 0.17: minmax_scale интерфейс функции к MinMaxScaler.

Параметры:
Xarray-like формы (n_samples, n_features)

Данные.

feature_rangeкортеж (min, max), по умолчанию=(0, 1)

Желаемый диапазон преобразованных данных.

ось{0, 1}, по умолчанию=0

Ось для масштабирования. Если 0, масштабировать каждый признак независимо, иначе (если 1) масштабировать каждый образец.

copybool, по умолчанию=True

Если False, попытаться избежать копирования и масштабировать на месте. Это не гарантирует, что всегда будет работать на месте; например, если данные являются массивом numpy с целочисленным типом данных, копия будет возвращена даже при copy=False.

Возвращает:
X_trndarray формы (n_samples, n_features)

Преобразованные данные.

Предупреждение

Риск утечки данных. Не используйте minmax_scale если вы не знаете, что делаете. Распространённая ошибка — применять его ко всем данным до разделение на обучающую и тестовую выборки. Это сместит оценку модели, потому что информация могла бы просочиться из тестовой выборки в обучающую. В целом, мы рекомендуем использовать MinMaxScaler внутри Pipeline чтобы предотвратить большинство рисков утечки данных: pipe = make_pipeline(MinMaxScaler(), LogisticRegression()).

Смотрите также

MinMaxScaler

Выполняет масштабирование до заданного диапазона с использованием API Transformer (например, как часть предобработки Pipeline).

Примечания

Для сравнения различных масштабировщиков, преобразователей и нормализаторов см.: Сравнение влияния различных масштабировщиков на данные с выбросами.

Примеры

>>> from sklearn.preprocessing import minmax_scale
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> minmax_scale(X, axis=0)  # scale each column independently
array([[0., 1., 1.],
       [1., 0., 0.]])
>>> minmax_scale(X, axis=1)  # scale each row independently
array([[0.  , 0.75, 1.  ],
       [0.  , 0.5 , 1.  ]])
На этой странице