Python cuml.experimental.preprocessing.MinMaxScaler用法及代碼示例

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

通過將每個特征縮放到給定範圍來轉換特征。

該估計器單獨縮放和轉換每個特征，使其在訓練集的給定範圍內，例如在零和一之間。

變換由下式給出：

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。

這種變換通常用作零均值、單位方差縮放的替代方法。

參數：

feature_range：元組(最小值，最大值)，默認=(0, 1): 所需的轉換數據範圍。
copy：布爾，默認=真: 是否會觸發強製複製。如果 copy=False，則可能會通過轉換觸發複製。

注意：

NaN 被視為缺失值：在擬合中被忽略，在變換中保持不變。

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. ]]

屬性：

min_：ndarray 形狀 (n_features,): 每個函數調整為最小值。相當於min - X.min(axis=0) * self.scale_
scale_：ndarray 形狀 (n_features,): 數據的每個特征相對縮放。相當於(max - min) / (X.max(axis=0) - X.min(axis=0))
data_min_：ndarray 形狀 (n_features,): 數據中看到的每個特征最小值
data_max_：ndarray 形狀 (n_features,): 數據中看到的每個特征最大值
data_range_：ndarray 形狀 (n_features,): 在數據中看到的每個特征範圍(data_max_ - data_min_)
n_samples_seen_：int: 估計器處理的樣本數。它將在新調用時重置以適應，但在 partial_fit 調用中遞增。

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cuml.experimental.preprocessing.MinMaxScaler。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。