Нормализующий элемент

классsklearn.preprocessing.Normalizer(norm='l2', *, copy=True)[source]

Нормализуйте образцы индивидуально до единичной нормы.

Каждый образец (т.е. каждая строка матрицы данных) с по крайней мере одним ненулевым компонентом масштабируется независимо от других образцов таким образом, чтобы его норма (l1, l2 или inf) равнялась единице.

Этот преобразователь может работать как с плотно упакованными массивами numpy, так и с матрицами scipy.sparse (используйте формат CSR, если хотите избежать накладных расходов на копирование/преобразование).

Масштабирование входных данных до единичных норм — это распространённая операция для классификации текста или кластеризации, например. Например, скалярное произведение двух векторов TF-IDF, нормализованных по l2, является косинусной близостью векторов и является базовой метрикой сходства для модели векторного пространства, обычно используемой сообществом по информационному поиску.

Для примера визуализации обратитесь к Сравнение Normalizer с другими масштабирующими преобразователями.

Дополнительную информацию см. в Руководстве пользователя.

Параметры:

norm{‘l1’, ‘l2’, ‘max’}, по умолчанию=’l2’

Норма, используемая для нормализации каждого ненулевого образца. Если используется norm=’max’, значения будут масштабированы с помощью максимального значения абсолютных значений.

copybool, по умолчанию=True

Установите в False для выполнения нормализации строк на месте и избежания копирования (если вход уже является массивом numpy или матрицей scipy.sparse CSR).

Атрибуты:

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Имена признаков, увиденных во время fit. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлен в версии 1.0.

См. также

normalize

Эквивалентная функция без API оценщика.

Примечания

Этот оценщик бессостоятелен и не требует подгонки. Однако мы рекомендуем вызвать fit_transform вместо transform, поскольку проверка параметров выполняется только в fit.

Примеры

>>> from sklearn.preprocessing import Normalizer
>>> X = [[4, 1, 2, 2],
...      [1, 3, 9, 3],
...      [5, 7, 5, 1]]
>>> transformer = Normalizer().fit(X)  # fit does nothing.
>>> transformer
Normalizer()
>>> transformer.transform(X)
array([[0.8, 0.2, 0.4, 0.4],
       [0.1, 0.3, 0.9, 0.3],
       [0.5, 0.7, 0.5, 0.1]])

fit(X, y=None)[source]

Только проверяет параметры оценщика.

Этот метод позволяет: (i) проверять параметры оценщика и (ii) быть совместимым с API преобразователя scikit-learn.

Параметры:

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

Данные для оценки параметров нормализации.

yИгнорируется

Не используется, присутствует здесь для согласованности API по соглашению.

Возвращает:

selfобъект

Обученный преобразователь.

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

Обучите по данным, а затем преобразуйте их.

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

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

yarray-like of shape (n_samples,) or (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для без учителя преобразований).

**fit_paramsdict

Дополнительные параметры обучения.

Возвращает:

X_newndarray array of shape (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Получение имён выходных признаков для преобразования.

Параметры:

input_featuresarray-like of str or None, по умолчанию=None

Входные признаки.

• Если input_features равно None, то feature_names_in_ используется в качестве имён признаков. Если feature_names_in_ не определён, то генерируются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является массив-подобным, то input_features должно соответствовать feature_names_in_, если feature_names_in_ определён.

Возвращает:

feature_names_outndarray of str objects

То же самое, что и входные признаки.

get_metadata_routing()[source]

Получить маршрутизацию метаданных для этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest объект, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры для этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры для этого оценщика и вложенных под-объектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

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 для преобразователя
• "pandas": Вывод в формате DataFrame
• "polars": Вывод в формате Polars
• None: Настройка преобразования не изменяется

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

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 было возможно обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_transform_request(*, copy:bool|None|str='$UNCHANGED$') → Normalizer[source]

Запрос метаданных, передаваемых в метод transform.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). См. Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в transform если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их в transform.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться мета-оценщику с этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED), текущий запрос сохраняется. Это позволяет изменить запрос для некоторых параметров и не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

copystr, True, False, or None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра copy в transform.

Возвращает:

selfобъект

Обновленный объект.

transform(X, copy=None)[source]

Масштабирует каждый ненулевой ряд X до единичной нормы.

Параметры:

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

Данные для нормализации, по строкам. Матрицы scipy.sparse должны быть в формате CSR для предотвращения ненужной копии.

copybool, по умолчанию=None

Скопировать входной X или нет.

Возвращает:

X_tr{ndarray, sparse matrix} of shape (n_samples, n_features)

Преобразованный массив.

Примеры из галереи

Масштабируемое обучение с приближением полиномиального ядра

Сравнение эффекта различных масштабирователей на данные с выбросами

Кластеризация текстовых документов с использованием k-means