MinMaxScaler

classsklearn.preprocessing.MinMaxScaler(feature_range=(0, 1), *, copy=True, clip=False)[source]

Преобразовать признаки, масштабируя каждый признак до заданного диапазона.

Этот эстиматор масштабирует и переводит каждый признак индивидуально таким образом, чтобы он находился в заданном диапазоне на наборе обучающих данных, например, между нулём и единицей.

Преобразование задаётся следующим образом:

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.

Это преобразование часто используется как альтернатива масштабированию к нулевому среднему и единичной дисперсии.

MinMaxScaler не уменьшает влияние выбросов, но линейно масштабирует их в фиксированный диапазон, где наибольшая встречающаяся точка данных соответствует максимальному значению, а наименьшая — минимальному. Для визуализации примера см. Сравнение MinMaxScaler с другими масштабировщиками.

Дополнительную информацию см. в Руководстве пользователя.

Параметры:

feature_rangeкортеж (min, max), по умолчанию=(0, 1): Желаемый диапазон преобразованных данных.
copybool, по умолчанию=True: Установите в значение False, чтобы выполнить нормализацию строк на месте и избежать копирования (если входные данные уже являются массивом NumPy).
clipbool, по умолчанию=False: Установите в значение True, чтобы обрезать преобразованные значения удерживаемых данных до предоставленного feature range.

Добавлен в версии 0.24.

Атрибуты:

min_массив NumPy формы (n_features,): Настройка для минимального значения каждого признака. Эквивалентно min - X.min(axis=0) * self.scale_
scale_массив NumPy формы (n_features,): Относительное масштабирование данных для каждого признака. Эквивалентно (max - min) / (X.max(axis=0) - X.min(axis=0))

Добавлен в версии 0.17: scale_ атрибут.
data_min_массив NumPy формы (n_features,): Минимальное значение для каждого признака, увиденное в данных

Добавлен в версии 0.17: data_min_
data_max_массив NumPy формы (n_features,): Максимальное значение для каждого признака, увиденное в данных

Добавлен в версии 0.17: data_max_
data_range_массив NumPy формы (n_features,): Диапазон (data_max_ - data_min_) для каждого признака, увиденный в данных

Добавлен в версии 0.17: data_range_
n_features_in_int: Количество признаков, увиденных во время подгонки.

Добавлен в версии 0.24.
n_samples_seen_int: Количество образцов, обработанных эстиматором. Будет сброшен при новых вызовах fit, но увеличивается при partial_fit вызовах.
feature_names_in_массив NumPy формы (n_features_in_,): Имена признаков, увиденные во время подгонки. Определены только тогда, когда X имеет имена признаков, которые являются строками.

Добавлен в версии 1.0.

См. также

minmax_scale: Эквивалентная функция без API эстиматора.

Примечания

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

Примеры

>>> from sklearn.preprocessing import MinMaxScaler
>>> data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
>>> scaler = MinMaxScaler()
>>> print(scaler.fit(data))
MinMaxScaler()
>>> print(scaler.data_max_)
[ 1. 18.]
>>> print(scaler.transform(data))
[[0.   0.  ]
 [0.25 0.25]
 [0.5  0.5 ]
 [1.   1.  ]]
>>> print(scaler.transform([[2, 2]]))
[[1.5 0. ]]

fit(X, y=None)[source]

Вычислить минимум и максимум, которые будут использоваться для последующего масштабирования.

Параметры:

Xarray-like формы (n_samples, n_features): Данные, используемые для вычисления минимального и максимального значений для каждого признака, используемых для последующего масштабирования вдоль оси признаков.
yNone: Игнорируется.

Возвращает:

selfобъект: Обученный масштабировщик.

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

Подогнать к данным, затем преобразовать их.

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

Параметры:

Xarray-like формы (n_samples, n_features): Входящие образцы.
yarray-like формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None: Значения целевой переменной (None для безконтрольных преобразований).
**fit_paramsdict: Дополнительные параметры подгонки.

Возвращает:

X_newмассив NumPy 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-подобный из str или None, по умолчанию=None

Входящие признаки.

Если input_features является None, то feature_names_in_ используются в качестве имён признаков. Если feature_names_in_ не определено, то генерируются следующие имена входящих признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
Если input_features является массивом-подобным, то input_features должен соответствовать feature_names_in_ если feature_names_in_ определено.

Возвращает:

feature_names_outмассив объектов str: Такие же, как и входящие признаки.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

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

Возвращает:

routingMetadataRequest: MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры данного оценщика.

Параметры:

deepbool, по умолчанию=True: Если True, вернет параметры данного оценщика и содержащихся вложенных под-объектов, которые являются оценщиками.

Возвращает:

paramsdict: Имена параметров, сопоставленные со своими значениями.

inverse_transform(X)[source]

Отменить масштабирование X в соответствии с диапазоном признаков.

Параметры:

Xarray-like формы (n_samples, n_features): Входные данные, которые будут преобразованы. Не может быть разреженным.

Возвращает:

Xtndarray формы (n_samples, n_features): Преобразованные данные.

partial_fit(X, y=None)[source]

Онлайн вычисление min и max для X для последующего масштабирования.

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

Параметры:

Xarray-like формы (n_samples, n_features): Данные, используемые для вычисления среднего и стандартного отклонения, используемых для последующего масштабирования вдоль оси признаков.
yNone: Игнорируется.

Возвращает:

selfобъект: Настроенный масштабировщик.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Введение в API set_output для примера использования 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 изменена

Добавлен в версии 1.4: "polars" опция была добавлена.

Возвращает:

selfэкземпляр оценщика: Экземпляр оценщика.

set_params(**params)[source]

Установить параметры данного оценщика.

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

Параметры: