如何使用Python中的scikit-learn库缩放数据？
特征缩放是构建机器学习算法的数据预处理阶段的重要步骤。它有助于规范化数据以使其落在特定范围内。
有时，它还有助于提高机器执行计算的速度。
为什么需要它？
作为输入馈入学习算法的数据应保持一致和结构化。输入数据的所有特征都应在单个范围内，以有效地预测值。但是在现实世界中，数据是非结构化的，而且在大多数情况下，数据的规模是不同的。
这是规范化的时候。这是最重要的数据准备过程之一。它有助于将输入数据集的列的值更改为相同的范围。
让我们了解如何使用Scikit学习库在Python中执行功能缩放。
示例
import numpy as np
from sklearn import preprocessing
input_data = np.array(
[[34.78, 31.9, -65.5],
[-16.5, 2.45, -83.5],
[0.5, -87.98, 45.62],
[5.9, 2.38, -55.82]])
data_scaler_minmax = preprocessing.MinMaxScaler(feature_range=(0,1))
data_scaled_minmax = data_scaler_minmax.fit_transform(input_data)
print ("\nThe scaled data is \n", data_scaled_minmax)The scaled data is
[[1. 1. 0.1394052 ]
[0. 0.75433767 0. ]
[0.33151326 0. 1. ]
[0.43681747 0.75375375 0.21437423]]
说明
所需的软件包已导入。
输入数据是使用Numpy库生成的。
“预处理”类中提供的MinMaxScaler函数用于将数据缩放到0到1的范围内。
这样，数组中的任何数据都会按比例缩小到0到1之间的值。
此缩放的数据显示在控制台上。
-
本文向大家介绍scikit-learn库如何用于在Python中加载数据？，包括了scikit-learn库如何用于在Python中加载数据？的使用技巧和注意事项，需要的朋友参考一下 Scikit-learn，通常称为sklearn，是Python中的一个开源库，用于实现机器学习算法。 在Python强大而稳定的界面的帮助下，这包括分类，回归，聚类，降维等等。该库基于Numpy，SciPy和Mat
-
本文向大家介绍解释Python中scikit-learn库的基础？，包括了解释Python中scikit-learn库的基础？的使用技巧和注意事项，需要的朋友参考一下 Scikit-learn，通常称为sklearn，是Python中的一个库，用于实现机器学习算法。 这是一个开源库，因此可以免费使用。强大而强大，因为它提供了多种工具来执行统计建模。在Python强大而稳定的界面的帮助下，这包括分类
-
本文向大家介绍解释如何使用python中的scikit-learn库实现L2规范化？，包括了解释如何使用python中的scikit-learn库实现L2规范化？的使用技巧和注意事项，需要的朋友参考一下 将值范围转换为标准值范围的过程称为标准化。这些值可以在-1到+1或0到1之间。数据也可以借助减法和除法进行归一化。 让我们了解L2归一化的工作原理。它也被称为“最小正方形”。此归一化修改数据的方式
-
本文向大家介绍解释如何在Python中使用scikit-learn库实现L1规范化？，包括了解释如何在Python中使用scikit-learn库实现L1规范化？的使用技巧和注意事项，需要的朋友参考一下 将值范围转换为标准值范围的过程称为标准化。这些值可以在-1到+1或0到1之间。数据也可以借助减法和除法进行归一化。 作为输入馈入学习算法的数据应保持一致和结构化。输入数据的所有特征都应在单个范围内
-
问题内容： 我很难理解scikit-learn的Logistic回归中的参数如何运行。 情况 我想使用逻辑回归对非常不平衡的数据集进行二进制分类。这些类别分别标记为0（负）和1（正），并且观察到的数据的比率约为19：1，大多数样本的结果均为负。 第一次尝试：手动准备训练数据 我将我拥有的数据分为不相交的数据集进行训练和测试（大约80/20）。然后，我手工对训练数据进行了随机采样，得到的训练数据比例
-
问题内容： 我正在使用具有9个样本和大约7000个属性的随机森林模型。在这些样本中，我的分类器可以识别3个类别。 我知道这远非理想条件，但我正在尝试找出哪些属性在特征预测中最重要。哪些参数最适合优化功能重要性？ 我尝试了不同的方法，发现“重要特征”（即数组中的非零值）的数量急剧增加。 我已经阅读了文档，但是如果有任何经验，我想知道最适合调整哪些参数，并简要说明原因。 问题答案： 根据我的经验，sk