Python cuml.experimental.preprocessing.MinMaxScaler用法及代码示例

用法:
class cuml.experimental.preprocessing.MinMaxScaler(*args, **kwargs)

通过将每个特征缩放到给定范围来转换特征。

该估计器单独缩放和转换每个特征，使其在训练集的给定范围内，例如在零和一之间。

变换由下式给出：

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

其中最小值，最大值 = feature_range。

这种变换通常用作零均值、单位方差缩放的替代方法。

参数：

feature_range：元组(最小值，最大值)，默认=(0, 1): 所需的转换数据范围。
copy：布尔，默认=真: 是否会触发强制复制。如果 copy=False，则可能会通过转换触发复制。

注意：

NaN 被视为缺失值：在拟合中被忽略，在变换中保持不变。

例子：

>>> from cuml.preprocessing import MinMaxScaler
>>> data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
>>> scaler = MinMaxScaler()
>>> print(scaler.fit(data))
MinMaxScaler()
>>> print(scaler.data_max_)
[ 1. 18.]
>>> print(scaler.transform(data))
[[0.   0.  ]
 [0.25 0.25]
 [0.5  0.5 ]
 [1.   1.  ]]
>>> print(scaler.transform([[2, 2]]))
[[1.5 0. ]]

属性：

min_：ndarray 形状 (n_features,): 每个函数调整为最小值。相当于min - X.min(axis=0) * self.scale_
scale_：ndarray 形状 (n_features,): 数据的每个特征相对缩放。相当于(max - min) / (X.max(axis=0) - X.min(axis=0))
data_min_：ndarray 形状 (n_features,): 数据中看到的每个特征最小值
data_max_：ndarray 形状 (n_features,): 数据中看到的每个特征最大值
data_range_：ndarray 形状 (n_features,): 在数据中看到的每个特征范围(data_max_ - data_min_)
n_samples_seen_：int: 估计器处理的样本数。它将在新调用时重置以适应，但在 partial_fit 调用中递增。

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.experimental.preprocessing.MinMaxScaler。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。