MaxAbsScaler

классsklearn.preprocessing.MaxAbsScaler(*, copy=True)[source]

Масштабирование каждого признака по его максимальному абсолютному значению.

Этот оценщик масштабирует и перемещает каждый признак индивидуально таким образом, что максимальное абсолютное значение каждого признака в обучающем наборе будет равно 1,0. Он не смещает/центрирует данные и, следовательно, не разрушает разреженность.

Этот масштабировщик также может применяться к разреженным матрицам CSR или CSC.

MaxAbsScaler не уменьшает влияние выбросов; он только линейно уменьшает их. Для визуализации примера см. Сравнение MaxAbsScaler с другими масштабировщиками.

Добавлен в версии 0.17.

Параметры:

copybool, по умолчанию=True

Установите в значение False, чтобы выполнить масштабирование на месте и избежать копирования (если входные данные уже являются массивом NumPy).

Атрибуты:

scale_массив формы (n_features,)

Относительное масштабирование данных по каждому признаку.

Добавлен в версии 0.17: атрибут scale_.

max_abs_массив формы (n_features,)

Максимальное абсолютное значение по каждому признаку.

n_features_in_int

Количество признаков, увиденных во время подгонки.

Добавлен в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Названия признаков, увиденные во время подгонки. Определены только тогда, когда X имеет имена признаков, которые являются строками.

Добавлен в версии 1.0.

n_samples_seen_int

Количество обработанных образцов оценщиком. Будет сброшен при новых вызовах fit, но увеличивается при вызовах partial_fit.

См. также

maxabs_scale

Эквивалентная функция без API оценщика.

Примечания

NaN обрабатываются как пропущенные значения: игнорируются при подгонке и сохраняются при преобразовании.

Примеры

>>> from sklearn.preprocessing import MaxAbsScaler
>>> X = [[ 1., -1.,  2.],
...      [ 2.,  0.,  0.],
...      [ 0.,  1., -1.]]
>>> transformer = MaxAbsScaler().fit(X)
>>> transformer
MaxAbsScaler()
>>> transformer.transform(X)
array([[ 0.5, -1. ,  1. ],
       [ 1. ,  0. ,  0. ],
       [ 0. ,  1. , -0.5]])

fit(X, y=None)[source]

Вычисление максимального абсолютного значения, используемого для последующего масштабирования.

Параметры:

X{массив, разреженная матрица} формы (n_samples, n_features)

Данные, используемые для вычисления минимального и максимального значений по каждому признаку, используемых для последующего масштабирования по оси признаков.

yNone

Игнорируется.

Возвращает:

selfобъект

Обученный масштабировщик.

fit_transform(X, y=None, **fit_params)[source]

Подгонка к данным, затем преобразование.

Подгоняет преобразователь к X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xмассив формы (n_samples, n_features)

Входные образцы.

yмассив формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для безконтрольных преобразований).

**fit_paramsdict

Дополнительные параметры подгонки.

Возвращает:

X_newмассив массива формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Получить имена выходных признаков для преобразования.

Параметры:

input_featuresмассив строк или None, по умолчанию=None

Входные признаки.

• Если input_features является None, тогда feature_names_in_ используется в качестве имен признаков. Если feature_names_in_ не определено, тогда следующие имена входных признаков генерируются: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является массивом, тогда input_features должен соответствовать feature_names_in_, если feature_names_in_ определено.

Возвращает:

feature_names_outмассив объектов str

Такие же, как входные признаки.

get_metadata_routing()[source]

Получить маршрутизацию метаданных для этого объекта.

Пожалуйста, обратитесь к Руководству пользователя для информации о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

inverse_transform(X)[source]

Масштабирование данных обратно к исходному представлению.

Параметры:

X{массив, разреженная матрица} формы (n_samples, n_features)

Данные, которые должны быть преобразованы обратно.

Возвращает:

X_tr{массив, разреженная матрица} формы (n_samples, n_features)

Преобразованный массив.

partial_fit(X, y=None)[source]

Онлайн-вычисление максимального абсолютного значения X для последующей масштабирования.

Все данные X обрабатываются как одна партия. Это предназначено для случаев, когда fit нецелесообразно из-за очень большого количества n_samples или потому, что X считывается из непрерывного потока.

Параметры:

X{массив, разреженная матрица} формы (n_samples, n_features)

Данные, используемые для вычисления среднего и стандартного отклонения, используемых для последующего масштабирования по оси признаков.

yNone

Игнорируется.

Возвращает:

selfобъект

Обученный масштабировщик.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Введение в API set_output, чтобы узнать, как использовать API.

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=None

Настройка вывода transform и fit_transform.

• "default": Формат вывода по умолчанию преобразователя
• "pandas": Вывод DataFrame
• "polars": Вывод Polars
• None: Конфигурация преобразования не изменяется

Добавлен в версии 1.4: "polars" параметр был добавлен.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Масштабировать данные.

Параметры:

X{массив, разреженная матрица} формы (n_samples, n_features)

Данные, которые должны быть отмасштабированы.

Возвращает:

X_tr{массив NumPy, разреженная матрица} формы (n_samples, n_features)

Преобразованный массив.

Примеры из галереи

Сравнение влияния различных масштабирующих алгоритмов на данные с выбросами