sklearn：sklearn.preprocessing.StandardScaler函数的fit_transform、transform、inverse_transform简介、使用方法之详细攻略
sklearn：sklearn.preprocessing.StandardScaler函数的fit_transform、transform、inverse_transform简介、使用方法之详细攻略
目录
标准化/归一化的数学原理及其代码实现
StandardScaler函数的的简介及其用法
StandardScaler函数的的简介
StandardScaler函数的案例应用
fit_transform函数
fit_transform函数的简介
fit_transform函数的用法
transform函数的简介及其用法
transform函数的简介
transform函数的用法
inverse_transform函数的简介及其用法
inverse_transform函数的简介
inverse_transform函数的用法
标准化/归一化的数学原理及其代码实现
参考文章：ML之FE：数据处理—特征工程之特征三化(标准化【四大数据类型(数值型/类别型/字符串型/时间型)】、归一化、向量化)简介、代码实现、案例应用之详细攻略
StandardScaler函数的的简介及其用法
注意事项：在机器学习的sklearn.preprocessing中，当需要对训练和测试数据进行标准化时，使用两个不同的函数，
- 训练数据，采用fit_transform()函数
- 测试数据，采用tansform()函数
StandardScaler函数的的简介
|
"""Standardize features by removing the mean and scaling to unit variance Centering and scaling happen independently on each feature by computing the relevant statistics on the samples in the training set. Mean and standard deviation are then stored to be used on later data using the`transform` method. Standardization of a dataset is a common requirement for many machine learning estimators: they might behave badly if the individual feature do not more or less look like standard normally distributed data (e.g. Gaussian with 0 mean and unit variance). For instance many elements used in the objective function of a learning algorithm (such as the RBF kernel of Support Vector Machines or the L1 and L2 regularizers of linear models) assume that all features are centered around 0 and have variance in the same order. If a feature has a variance that is orders of magnitude larger that others, it might dominate the objective function and make the estimator unable to learn from other features correctly as expected. This scaler can also be applied to sparse CSR or CSC matrices by passing with_mean=False` to avoid breaking the sparsity structure of the data. Read more in the :ref:`User Guide <preprocessing_scaler>`. |
通过去除均值并缩放到单位方差来标准化特征 PS：系统会记录每个输入参数的平均数和标准差，以便数据可以还原。 |
|
Parameters ---------- copy : boolean, optional, default True If False, try to avoid a copy and do inplace scaling instead. This is not guaranteed to always work inplace; e.g. if the data is not a NumPy array or scipy.sparse CSR matrix, a copy may still be returned. with_mean : boolean, True by default If True, center the data before scaling. This does not work (and will raise an exception) when attempted on sparse matrices, because centering them entails building a dense matrix which in common use cases is likely to be too large to fit in memory. with_std : boolean, True by default If True, scale the data to unit variance (or equivalently, unit standard deviation). |
参数 ---------- copy: 布尔值，可选，默认为真 如果是假的，尽量避免复制，而要进行适当的缩放。 这并不能保证总是在适当的地方工作;例如，如果数据不是NumPy数组或scipy。稀疏的CSR矩阵，仍然可以返回一个副本。 with_mean:布尔值，默认为真 如果为真，则在扩展之前将数据居中。 这在处理稀疏矩阵时不起作用(并且会引发一个异常)，因为将它们居中需要构建一个密集的矩阵，在通常情况下，这个矩阵可能太大而无法装入内存。 with_std:布尔值，默认为真 如果为真，则将数据缩放到单位方差(或者等效为单位标准差)。 |
|
Attributes ---------- scale_ : ndarray, shape (n_features,) Per feature relative scaling of the data. .. versionadded:: 0.17 *scale_* mean_ : array of floats with shape [n_features] The mean value for each feature in the training set. var_ : array of floats with shape [n_features] The variance for each feature in the training set. Used to compute `scale_` n_samples_seen_ : int The number of samples processed by the estimator. Will be reset on new calls to fit, but increments across ``partial_fit`` calls. |
属性 mean_:带形状的浮动数组[n_features] var_:带形状的浮动数组[n_features] n_samples_seen_: int |
|
See also -------- scale: Equivalent function without the estimator API. :class:`sklearn.decomposition.PCA` Further removes the linear correlation across features with 'whiten=True'. Notes ----- For a comparison of the different scalers, transformers, and normalizers, see :ref:`examples/preprocessing/plot_all_scaling.py <sphx_glr_auto_examples_preprocessing_plot_all_scaling.py>`. |
另请参阅 -------- scale:没有estimator API的等价函数。 类:“sklearn.decomposition.PCA” 进一步用'whiten=True'去除特征间的线性相关。 笔记----- 为了比较不同的定标器、变压器和规格化器， 看:裁判:“/预处理/ plot_all_scaling.py例子 < sphx_glr_auto_examples_preprocessing_plot_all_scaling.py >”。 |
StandardScaler函数的案例应用
from sklearn.preprocessing import StandardScalerdata = [[0, 0], [0, 0], [1, 1], [1, 1]]
scaler = StandardScaler()
print(scaler.fit(data))StandardScaler(copy=True, with_mean=True, with_std=True)
print(scaler.mean_) # [ 0.5 0.5]
print(scaler.transform(data))
# [[-1. -1.]
# [-1. -1.]
# [ 1. 1.]
# [ 1. 1.]]print(scaler.transform([[2, 2]])) #[[ 3. 3.]]fit_transform函数
fit_transform函数的简介
|
"""Fit to data, then transform it. Fits transformer to X and y with optional parameters fit_params and returns a transformed version of X. |
“拟合数据，然后转换它。” 使用可选参数fit_params将transformer匹配到X和y，并返回转换后的X版本。 |
|
Parameters ---------- X : numpy array of shape [n_samples, n_features] Training set. y : numpy array of shape [n_samples] Target values. Returns ------- X_new : numpy array of shape [n_samples, n_features_new] Transformed array. |
参数 ---------- X: 形状是numpy数组[n_samples, n_features] 训练集 y: numpy数组的形状[n_samples] |
| # non-optimized default implementation; override when a better method is possible for a given clustering algorithm | 未经优化默认实现;当对给定的聚类算法有更好的方法时重写 |
fit_transform函数的用法
def fit_transform Found at: sklearn.basedef fit_transform(self, X, y=None, **fit_params):"""# non-optimized default implementation; override when a better# method is possible for a given clustering algorithmif y is None:# fit method of arity 1 (unsupervised transformation)return self.fit(X, **fit_params).transform(X)else:return self.fit(X, y, **fit_params).transform(X) # fit method of arity 2 (supervised transformation)transform函数的简介及其用法
transform函数的简介
|
"""Perform standardization by centering and scaling Parameters ---------- X : array-like, shape [n_samples, n_features] The data used to scale along the features axis. y : (ignored) .. deprecated:: 0.19 This parameter will be removed in 0.21. copy : bool, optional (default: None) Copy the input X or not. """ |
通过定心和定标来实现标准化
参数 |
transform函数的用法
def transform Found at: sklearn.preprocessing.datadef transform(self, X, y='deprecated', copy=None):if not isinstance(y, string_types) or y != 'deprecated':warnings.warn("The parameter y on transform() is ""deprecated since 0.19 and will be removed in 0.21", DeprecationWarning)check_is_fitted(self, 'scale_')copy = copy if copy is not None else self.copyX = check_array(X, accept_sparse='csr', copy=copy, warn_on_dtype=True, estimator=self, dtype=FLOAT_DTYPES)if sparse.issparse(X):if self.with_mean:raise ValueError("Cannot center sparse matrices: pass `with_mean=False` ""instead. See docstring for motivation and alternatives.")if self.scale_ is not None:inplace_column_scale(X, 1 / self.scale_)else:if self.with_mean:X -= self.mean_if self.with_std:X /= self.scale_return Xinverse_transform函数的简介及其用法
inverse_transform函数的简介
|
"""Scale back the data to the original representation Parameters ---------- X : array-like, shape [n_samples, n_features] The data used to scale along the features axis. copy : bool, optional (default: None) Copy the input X or not. Returns ------- X_tr : array-like, shape [n_samples, n_features] Transformed array. """ |
把数据缩减到原来的样子 参数 返回 |
inverse_transform函数的用法
def inverse_transform Found at: sklearn.preprocessing.datadef inverse_transform(self, X, copy=None):check_is_fitted(self, 'scale_')copy = copy if copy is not None else self.copyif sparse.issparse(X):if self.with_mean:raise ValueError("Cannot uncenter sparse matrices: pass `with_mean=False` ""instead See docstring for motivation and alternatives.")if not sparse.isspmatrix_csr(X):X = X.tocsr()copy = Falseif copy:X = X.copy()if self.scale_ is not None:inplace_column_scale(X, self.scale_)else:X = np.asarray(X)if copy:X = X.copy()if self.with_std:X *= self.scale_if self.with_mean:X += self.mean_return Xsklearn：sklearn.preprocessing.StandardScaler函数的fit_transform、transform、inverse_transform简介、使用方法之详细攻略相关推荐
- Python之 sklearn：sklearn.preprocessing中的StandardScaler函数的简介及使用方法之详细攻略
Python之 sklearn:sklearn.preprocessing中的StandardScaler函数的简介及使用方法之详细攻略 目录 sklearn.preprocessing中的Stand ...
- ML之sklearn：sklearn的make_pipeline函数、RobustScaler函数、KFold函数、cross_val_score函数的代码解释、使用方法之详细攻略
ML之sklearn:sklearn的make_pipeline函数.RobustScaler函数.KFold函数.cross_val_score函数的代码解释.使用方法之详细攻略 目录 sklear ...
- Python之 sklearn：sklearn中的RobustScaler 函数的简介及使用方法之详细攻略
Python之 sklearn:sklearn中的RobustScaler 函数的简介及使用方法之详细攻略 目录 sklearn中的RobustScaler 函数的简介及使用方法 sklearn中的R ...
- sklearn：sklearn.preprocessing的MinMaxScaler简介、使用方法之详细攻略
sklearn:sklearn.preprocessing的MinMaxScaler简介.使用方法之详细攻略 目录 MinMaxScaler简介 MinMaxScaler函数解释 MinMaxScal ...
- ML之sklearn：sklearn的RobustScaler函数、KFold函数、cross_val_score函数的代码解释、使用方法之详细攻略
ML之sklearn:sklearn的RobustScaler函数.KFold函数.cross_val_score函数的代码解释.使用方法之详细攻略 目录 sklearn的RobustScaler函数 ...
- Python之sklearn：GridSearchCV()和fit()函数的简介、具体案例、使用方法之详细攻略
Python之sklearn:GridSearchCV()和fit()函数的简介.具体案例.使用方法之详细攻略 目录 GridSearchCV()和fit()函数的使用方法 GridSearchCV( ...
- ML之sklearn：sklearn.linear_mode中的LogisticRegression函数的简介、使用方法之详细攻略
ML之sklearn:sklearn.linear_mode中的LogisticRegression函数的简介.使用方法之详细攻略 目录 sklearn.linear_mode中的LogisticRe ...
- sklearn：sklearn.GridSearchCV函数的简介、使用方法之详细攻略
sklearn:sklearn.GridSearchCVl函数的简介.使用方法之详细攻略 目录 sklearn.GridSearchCV函数的简介 1.参数说明 2.功能代码 sklearn.Grid ...
- sklearn：sklearn.feature_selection的SelectFromModel函数的简介、使用方法之详细攻略
sklearn:sklearn.feature_selection的SelectFromModel函数的简介.使用方法之详细攻略 目录 SelectFromModel函数的简介 1.使用SelectF ...
最新文章
- python打包成exe可执行文件指定进程名字
- Cesium入门11 - Interactivity - 交互性
- 如何升级浏览器_绿茶浏览器app下载安装_绿茶浏览器软件最新版免费下载
- c语言switch写值班表,如何用asp编写按周轮换的值班表？例，1月份的值班领导有4位，怎样写可以让4位领导的名字自动到时间显示...
- 【Elasticsearch】es 7.12 Root mapping definition has unsupported parameters: _all
- 刷题进阶 -- 剑指Offer、力扣算法题
- 微信小程序商城模板平台分享
- 2019春运购票指南 “盘”票不易 回家过年的票你买到了吗
- 《数据库原理与应用》分章节测试题一、二、三章
- XSS攻击的一个校内简单实例
- excel中单元格的绝对引用和相对引用
- Java研发岗面试复盘总结附答案+考点
- 安装系列—火狐浏览器添加组件‘firebug’却无法找到？
- linux 编译配置内核路由功能,Linux下多播路由的实现-网管专栏,防火墙和路由
- 记一次国内投德国IT工作机会
- 实现Windows XP自动登录的两种方法
- 伦敦大学学院 机器人与计算机,伦敦大学学院机器人与计算理学硕士研究生申请要求及申请材料要求清单...
- 头歌平台数据结构与算法 线性表 第2关：实现一个连接存储的线性表
- VS中sln和suo的区别
- NetSuite中国- 特瑞格（北京）网络技术有限公司