MaxAbsScaler

classsklearn.preprocessing.MaxAbsScaler(*, copy=True, clip=False)[исходный код]

Масштабирует каждый признак по его максимальному абсолютному значению.

Этот оценщик масштабирует и сдвигает каждый признак по отдельности так, чтобы максимальное абсолютное значение каждого признака в обучающем наборе данных было равно 1.0. Он не сдвигает и не центрирует данные, поэтому не уничтожает разреженность.

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

MaxAbsScaler не уменьшает влияние выбросов, а лишь линейно масштабирует их. Пример визуализации см. в разделе Сравнение MaxAbsScaler с другими масштабировщиками.

Добавлено в версии 0.17.

Параметры:

copybool, по умолчанию=True

Задайте False, чтобы выполнить масштабирование на месте и избежать копирования (если входные данные уже являются массивом numpy).

clipbool, по умолчанию=False

Задайте True, чтобы ограничить преобразованные значения отложенных данных диапазоном [-1, 1]. Поскольку этот параметр ограничивает значения, inverse_transform может оказаться не в состоянии восстановить исходные данные.

Примечание

Установка clip=True не предотвращает дрейф признаков (сдвиг распределения между обучающими и тестовыми данными). Преобразованные значения ограничиваются диапазоном [-1, 1], что помогает избежать непреднамеренного поведения моделей, чувствительных к выходу входных значений за пределы диапазона (например, линейных моделей). Используйте с осторожностью, поскольку ограничение может исказить распределение тестовых данных.

Атрибуты:

scale_ndarray формы (n_features,)

Относительный коэффициент масштабирования данных для каждого признака.

Добавлено в версии 0.17: атрибут scale_.

max_abs_ndarray формы (n_features,)

Максимальное абсолютное значение для каждого признака.

n_features_in_int

Количество признаков, полученных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, полученных при вызове fit. Определяется, только если X содержит имена признаков, представленные строками.

Добавлено в версии 1.0.

n_samples_seen_int

Количество обработанных оценщиком образцов. Сбрасывается 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 обучении 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)[исходный код]

Вычисляет максимальное абсолютное значение, которое будет использоваться для последующего масштабирования.

Параметры:

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

Данные для вычисления минимума и максимума каждого признака, используемых для последующего масштабирования вдоль оси признаков.

yNone

Игнорируется.

Возвращает:

selfobject

Обученный масштабировщик.

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

Обучает на данных, затем преобразует их.

Обучает преобразователь на X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные образцы.

yarray-like формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для преобразований без учителя).

**fit_paramsdict

Дополнительные параметры обучения. Передавайте их только в том случае, если оценщик принимает дополнительные параметры в методе fit.

Возвращает:

X_newndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Возвращает имена выходных признаков для преобразования.

Параметры:

input_featuresarray-like из строк или None, по умолчанию=None

Входные признаки.

• Если input_features — это None, то feature_names_in_ используется в качестве входных имён признаков. Если feature_names_in_ не определён, создаются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является array-like, то input_features должен соответствовать feature_names_in_, если определён feature_names_in_.

Возвращает:

feature_names_outndarray из объектов str

Совпадает с именами входных признаков.

get_metadata_routing()[исходный код]

Возвращает маршрутизацию метаданных этого объекта.

Подробнее о работе механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Возвращает параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся в нём подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

inverse_transform(X)[исходный код]

Восстанавливает исходное представление данных.

Параметры:

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

Данные, которые необходимо преобразовать обратно.

Возвращает:

X_original{ndarray, sparse matrix} формы (n_samples, n_features)

Преобразованный массив.

partial_fit(X, y=None)[исходный код]

Вычисляет максимальное абсолютное значение X в потоковом режиме для последующего масштабирования.

Все данные X обрабатываются как один пакет. Этот метод предназначен для случаев, когда fit невозможно использовать из-за очень большого числа n_samples или потому, что X считывается из непрерывного потока.

Параметры:

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

Данные для вычисления среднего значения и стандартного отклонения, используемых для последующего масштабирования вдоль оси признаков.

yNone

Игнорируется.

Возвращает:

selfobject

Обученный масштабировщик.

set_output(*, transform=None)[исходный код]

Задаёт контейнер вывода.

Дополнительные сведения см. в руководстве пользователя, а пример использования API — в разделе Знакомство с API set_output.

Параметры:

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

Настраивает формат вывода для transform и fit_transform.

• "default": формат вывода преобразователя по умолчанию
• "pandas": вывод в формате DataFrame
• "polars": вывод в формате Polars
• None: конфигурация преобразования не изменяется

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[исходный код]

Задаёт параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). Параметры последних имеют формат <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[исходный код]

Масштабирует данные.

Параметры:

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

Данные, которые необходимо масштабировать.

Возвращает:

X_tr{ndarray, sparse matrix} формы (n_samples, n_features)

Преобразованный массив.

Примеры из галереи

Сравнение влияния различных масштабировщиков на данные с выбросами