minmax_scale

sklearn.preprocessing.minmax_scale(X, feature_range=(0, 1), *, axis=0, copy=True)[source]

Преобразование признаков путём масштабирования каждого признака до заданного диапазона.

Этот оценщик масштабирует и сдвигает каждый признак индивидуально таким образом, что он находится в заданном диапазоне на наборе обучения, т.е. между нулём и единицей.

Преобразование определяется следующим образом (при axis=0):

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

где min, max = feature_range.

Преобразование вычисляется следующим образом (при axis=0):

X_scaled = scale * X + min - X.min(axis=0) * scale
where scale = (max - min) / (X.max(axis=0) - X.min(axis=0))

Это преобразование часто используется как альтернатива масштабированию с нулевым средним значением и единичной дисперсией.

Подробнее см. в Руководстве пользователя.

Добавлена в версии 0.17: minmax_scale интерфейс функции к MinMaxScaler.

Параметры:

Xarray-like of shape (n_samples, n_features)

Данные.

feature_rangetuple (min, max), default=(0, 1)

Желаемый диапазон преобразованных данных.

axis{0, 1}, default=0

Ось, по которой выполняется масштабирование. Если 0, масштабирует каждый признак независимо, в противном случае (если 1) масштабирует каждую выборку.

copybool, default=True

Если False, попытаться избежать копирования и масштабировать на месте. Это не гарантируется, что всегда будет работать на месте; например, если данные представляют собой массив NumPy с целочисленным типом, будет возвращена копия, даже с copy=False.

Возвращает:

X_trndarray of shape (n_samples, n_features)

Преобразованные данные.

Предупреждение

Риск утечки данных Не используйте minmax_scale, если вы не знаете, что делаете. Распространённая ошибка — применять её ко всем данным *до* разделения на наборы обучения и тестирования. Это повлияет на оценку модели, так как информация будет утечь из набора тестирования в набор обучения. В целом, рекомендуется использовать MinMaxScaler в конвейере, чтобы предотвратить большинство рисков утечки данных: pipe = make_pipeline(MinMaxScaler(), LogisticRegression()).

См. также

MinMaxScaler

Выполняет масштабирование до заданного диапазона с использованием API преобразователя (например, как часть предобработки Pipeline).

Замечания

Для сравнения различных масштабирователей, преобразователей и нормализаторов см.: Сравнение влияния различных масштабирователей на данные с выбросами.

Примеры

>>> from sklearn.preprocessing import minmax_scale
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> minmax_scale(X, axis=0)  # scale each column independently
array([[0., 1., 1.],
       [1., 0., 0.]])
>>> minmax_scale(X, axis=1)  # scale each row independently
array([[0.  , 0.75, 1.  ],
       [0.  , 0.5 , 1.  ]])

Примеры галереи

Признаки Restricted Boltzmann Machine для классификации цифр

Сравнение влияния различных масштабирователей на данные с выбросами