maxabs_scale

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

Масштабирует каждое значение признака в диапазон [-1, 1] без нарушения разреженности.

Этот оценщик масштабирует каждый признак индивидуально таким образом, что максимальное абсолютное значение каждого признака в наборе обучающих данных будет равно 1,0.

Этот масштабировщик также может применяться 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, по которой выполняется масштабирование. Если 0, независимо масштабируется каждый признак, в противном случае (если 1) масштабируется каждый образец.

copybool, default=True

Если False, попытаться избежать копирования и выполнить масштабирование на месте. Это не гарантирует, что всегда будет работать на месте; например, если данные представляют собой массив NumPy с целочисленным типом данных, будет возвращена копия, даже если 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 знаете, что делаете. Распространённая ошибка состоит в том, чтобы применять её ко всему набору данных *до* разделения на обучающие и тестовые наборы. Это повлияет на оценку модели, так как информация будет утечь из тестового набора в обучающий. В общем случае мы рекомендуем использовать MaxAbsScaler в рамках потоке обработки, чтобы предотвратить большинство рисков утечки данных: pipe = make_pipeline(MaxAbsScaler(), LogisticRegression()).

См. также

MaxAbsScaler

Выполняет масштабирование в диапазон [-1, 1] с использованием API преобразователя (например, как часть предобработки Pipeline).

Примечания

Значения NaN обрабатываются как пропущенные значения: игнорируются при вычислении статистик и сохраняются при преобразовании данных.

Для сравнения различных масштабировщиков, преобразователей и нормализаторов см.: Сравните эффект различных масштабировщиков 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. ]])