Python sklearn minmax_scale用法及代码示例

本文简要介绍python语言中 sklearn.preprocessing.minmax_scale 的用法。

用法:

sklearn.preprocessing.minmax_scale(X, feature_range=(0, 1), *, axis=0, copy=True)

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，即在零和一之间。

转换由(当 axis=0 时)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。

转换计算为(当 axis=0 时)：

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

这种变换通常用作零均值、单位方差缩放的替代方法。

在用户指南中阅读更多信息。

参数：

X：形状类似数组 (n_samples, n_features)

数据。

feature_range：元组(最小值，最大值)，默认=(0, 1)

所需的转换数据范围。

axis：整数，默认=0

用于缩放的轴。如果为 0，则独立缩放每个特征，否则(如果为 1)缩放每个样本。

copy：布尔，默认=真

设置为 False 以执行就地缩放并避免复制(如果输入已经是一个 numpy 数组)。

返回：

X_tr：ndarray 形状(n_samples，n_features)

转换后的数据。

警告

数据泄露风险 请勿使用minmax_scale除非你知道你在做什么。一个常见的错误是将其应用于整个数据前分为训练集和测试集。这将使模型评估产生偏差，因为信息会从测试集泄漏到训练集。一般来说，我们建议使用sklearn.preprocessing.MinMaxScaler在一个管道为了防止大多数数据泄露风险：pipe = make_pipeline(MinMaxScaler(), LogisticRegression()).

注意：

有关不同缩放器、转换器和规范器的比较，请参阅示例/预处理/plot_all_scaling.py。