数据结构
网络
关系型数据库管理系统 (RDBMS)
操作系统
Java
Microsoft Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会研究
服装研究
法律研究如何在Python中使用scikit-learn库进行数据缩放？
特征缩放是构建机器学习算法中数据预处理阶段的重要步骤。它有助于将数据归一化到特定范围内。
有时，它还有助于提高机器执行计算的速度。
为什么需要它？
作为输入提供给学习算法的数据应保持一致和结构化。输入数据的全部特征应处于单个尺度上，以便有效地预测值。但在现实世界中，数据是非结构化的，而且大多数情况下，并非处于相同的尺度上。
这时，归一化就发挥作用了。它是最重要的数据准备过程之一。它有助于更改输入数据集列的值，使其落入相同的尺度。
让我们了解如何使用Scikit learn库在Python中执行特征缩放。
示例
import numpy as np
from sklearn import preprocessing
input_data = np.array(
[[34.78, 31.9, -65.5],
[-16.5, 2.45, -83.5],
[0.5, -87.98, 45.62],
[5.9, 2.38, -55.82]])
data_scaler_minmax = preprocessing.MinMaxScaler(feature_range=(0,1))
data_scaled_minmax = data_scaler_minmax.fit_transform(input_data)
print ("\nThe scaled data is \n", data_scaled_minmax)输出
The scaled data is [[1. 1. 0.1394052 ] [0. 0.75433767 0. ] [0.33151326 0. 1. ] [0.43681747 0.75375375 0.21437423]]
解释
导入所需的包。
使用Numpy库生成输入数据。
使用'preprocessing'类中的MinMaxScaler函数将数据缩放至0到1的范围。
这样，数组中的任何数据都会缩放到0到1之间的值。
此缩放后的数据显示在控制台上。
更新于：2020年12月11日
334 次浏览
广告