maxabs_scale

sklearn.preprocessing.maxabs_scale(X, *, axis=0, copy=True)[исходный код]

Масштабирует каждый признак в диапазон [-1, 1], не нарушая разреженность.

Этот преобразователь масштабирует каждый признак отдельно так, чтобы максимальное абсолютное значение каждого признака в обучающей выборке составляло 1.0.

Этот преобразователь также можно применять к разреженным матрицам CSR или CSC.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Данные.

axis{0, 1}, default=0

Ось, вдоль которой выполняется масштабирование. Если 0 — масштабируется каждый признак независимо, в противном случае (если 1) масштабируется каждый образец.

copybool, default=True

Если False, пытается избежать копирования и масштабировать данные на месте. Это не всегда гарантированно работает на месте; например, если данные представлены массивом numpy с целочисленным типом данных, будет возвращена копия даже при copy=False.

Возвращает:

X_tr{ndarray, sparse matrix} of shape (n_samples, n_features)

Преобразованные данные.

Предупреждение

Риск утечки данных Не используйте maxabs_scale, если вы не уверены в том, что делаете. Частая ошибка — применять его ко всем данным до разделения на обучающую и тестовую выборки. Это приведёт к смещённой оценке модели, поскольку информация из тестовой выборки попадёт в обучающую. Как правило, мы рекомендуем использовать MaxAbsScaler внутри Pipeline, чтобы предотвратить большинство рисков утечки данных: pipe = make_pipeline(MaxAbsScaler(), LogisticRegression()).

См. также

MaxAbsScaler

Выполняет масштабирование в диапазон [-1, 1] с помощью API преобразователей (например, в составе конвейера предварительной обработки Pipeline).

Примечания

NaN обрабатываются как пропущенные значения: они не учитываются при вычислении статистик и сохраняются при преобразовании данных.

Сравнение различных средств масштабирования, преобразователей и нормализаторов см. здесь: Сравнение влияния различных средств масштабирования на данные с выбросами.

Примеры

>>> from sklearn.preprocessing import maxabs_scale
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> maxabs_scale(X, axis=0)  # scale each column independently
array([[-1. ,  1. ,  1. ],
       [-0.5,  0. ,  0.5]])
>>> maxabs_scale(X, axis=1)  # scale each row independently
array([[-1. ,  0.5,  1. ],
       [-1. ,  0. ,  1. ]])