MinMaxScaler
模型原型
class sklearn.preprocessing.MinMaxScaler(feature_range=(0,1),copy=True)
参数
- feature_range:指定预期变换后属性的取值范围
- copy:如果为True，则执行原地修改
属性
- min_:一个数组，给出每个属性的原始的最小值调整值
- scale_:一个数组，给出每个属性的缩放倍数
- data_min_
- data_max_
- data_range_
方法
- fit(X,[,y]):计算每个属性的最大值，最小值，为后续的转换做准备
- transform(X):执行属性标准化
- fit_transform(X[,y])
- inverse_transform(X):逆标准化，还原成原始数据
- partial_fit(X[,y]):批量学习，学习部分数据
示例
from sklearn.preprocessing import MinMaxScaler
X=[
[1,5,1,2,10],
[2,6,3,2,7],
[3,7,5,6,4],
[4,8,7,8,1]
]
print('before transform:\n',X)
scaler=MinMaxScaler(feature_range=(0,2))
scaler.fit(X)
print('min_ :\n',scaler.min_)
print('scale_:\b',scaler.scale_)
print('data_max_:\n',scaler.data_max_)
print('sata_min_:\n',scaler.data_min_)
print('data_range_:\n',scaler.data_range_)
print('after transform:\n',scaler.transform(X))MaxAbsScaler
模型原型
class sklearn.preprocessing.MaxAbsScaler(copy=True)
参数
- copy:如果为True，则执行原地修改
属性
- scale_:一个数组，给出每个属性的缩放倍数的倒数
- maxabs:一个数组，给出每个属性的绝对值的最大值
- n_samplesseen:一个整数，给出当前已经处理的样本的数量（用于分批训练）
方法
- fit(X,[,y]):计算每个属性绝对值的最大值，为后续的转换做准备
- transform(X):执行属性标准化
- fit_transform(X[,y])
- inverse_transform(X):逆标准化，还原成原始数据
- partial_fit(X[,y]):批量学习，学习部分数据
示例
from sklearn.preprocessing import MaxAbsScaler
X=[
[1,5,1,2,10],
[2,6,3,2,7],
[3,7,5,6,4],
[4,8,7,8,1]
]
print('before transform:\n',X)
scaler=MaxAbsScaler()
scaler.fit(X)
print('scale_:\n',scaler.scale_)
print('max_abs_is:\n',scaler.max_abs_)
print('after transform:\n',scaler.transform(X))StandardScaler
模型原型
class sklearn.preprocessing.StandardScaler(copy=True,with_mean=True,with_std=True)
参数
- copy:如果为True，则执行原地修改
- with_mean:如果为True，则缩放之前先将数据中心化（属性值减去均值）
- with_std:如果为True，则缩放数据到单位方差
属性
- scale_:一个数组，给出每个属性的缩放倍数的倒数
- maxabs:一个数组，给出每个属性的绝对值的最大值
- n_samplesseen:一个整数，给出当前已经处理的样本的数量（用于分批训练）
方法
- fit(X,[,y]):计算每个属性方差和标准差，为后续的转换做准备
- transform(X):执行属性标准化
- fit_transform(X[,y])
- inverse_transform(X):逆标准化，还原成原始数据
- partial_fit(X[,y]):批量学习，学习部分数据
示例
from sklearn.preprocessing import StandardScaler
X=[
[1,5,1,2,10],
[2,6,3,2,7],
[3,7,5,6,4],
[4,8,7,8,1]
]
print('before transform:\n',X)
scaler=StandardScaler()
scaler.fit(X)
print('scale_:\n',scaler.scale_)
print('mean_:\n',scaler.mean_)
print('var_:\n',scaler.var_)
print('after transform:\n',scaler.transform(X))