資料結構
網路
關係型資料庫管理系統 (RDBMS)
作業系統
Java
Microsoft Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會研究
服裝研究
法律研究如何在Python中使用scikit-learn庫進行資料縮放？
特徵縮放是構建機器學習演算法中資料預處理階段的重要步驟。它有助於將資料歸一化到特定範圍內。
有時，它還有助於提高機器執行計算的速度。
為什麼需要它？
作為輸入提供給學習演算法的資料應保持一致和結構化。輸入資料的全部特徵應處於單個尺度上，以便有效地預測值。但在現實世界中，資料是非結構化的，而且大多數情況下，並非處於相同的尺度上。
這時，歸一化就發揮作用了。它是最重要的資料準備過程之一。它有助於更改輸入資料集列的值，使其落入相同的尺度。
讓我們瞭解如何使用Scikit learn庫在Python中執行特徵縮放。
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)輸出
The scaled data is [[1. 1. 0.1394052 ] [0. 0.75433767 0. ] [0.33151326 0. 1. ] [0.43681747 0.75375375 0.21437423]]
解釋
匯入所需的包。
使用Numpy庫生成輸入資料。
使用'preprocessing'類中的MinMaxScaler函式將資料縮放至0到1的範圍。
這樣，陣列中的任何資料都會縮放到0到1之間的值。
此縮放後的資料顯示在控制檯上。
更新於：2020年12月11日
334 次瀏覽
廣告