sklearn 特征缩放之 MinMaxScaler

sklearn 特征缩放之-MinMaxScaler

from sklearn import preprocessing
import numpy as np
import matplotlib.pyplot as plt

1.生成测试数据

X_train = np.array([[1., -1., 2.],
                    [2., 0., 0.],
                    [0., 1., -1.]])
#help(preprocessing.MinMaxScaler)

2.使用不同方法对数据进行预处理

2.1 缩放特征值到给定的范围

 使用 MinMaxScaler 和 MaxAbsScale 分别将 features 缩放到一个 range(通常为[0,1])之间,或者是将每
 个 feature的最大绝对值缩放到单位大小。分别来看利用两个缩放器的例子：MinMaxScaler类的构造函
 数为 MinMaxScaler(feature_range=(0, 1), copy=True) ，所以其默认的feature_range 为 [0,1],我们先不
 管Copy这个参数的意思。技术文档中提到该类的作用是特征缩放，将每个特征缩放到给定的范围。变换
 的公式如下：
    X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))  
    X_scaled = X_std * (max - min) + min  
 从上面的公式来看，X_std指的是每个特征的每个样本归一化到0-1 范围内,下面的代码也印证了我们的想法，然
 后X_scaled指的是每个feature的样本具体按照min和max缩放的具体方法，比如我们令min = 0.1, max = 0.6
   ，下面看我们具体的测试代码，可以看到我们的fature中的每个sample都被缩放到了0.1-0.6之间，这个变换
   经常被用来作为一个备用的选择相对于 让每个feature具有相同的均值0 和 相同单位1 方差。  再来说构造
   函数的参数，第一个feature_range已经提到过了，他的可传递类型为一个元组：tuple(min, max),默认的
   数值为（0，1）；第二个参数copy：boolean, optional, default True，如果设置为0，那么执行的行的
   归一化，并且避免一个复制。再说说类的变量包括min_ , scale_ data_min_ data_max_ data_range_ 但
   是需要注意查看这些值之前必须要对类进行初始化，比如下面代码所示

mini_max_scaler = preprocessing.MinMaxScaler()
X1 = np.array([[1,2,3]]).T
X1_STD = (X1 - X1.min()) / (X1.max() - X1.min())
min = 0.1
max = 0.6
X1_scaled = X1_STD * (max - min) + min
print('X1_scaled',X1_scaled)
mini_max_scaler.fit(X_train)
print('min_',mini_max_scaler.min_)
print('scale_',mini_max_scaler.scale_)
print('data_max_',mini_max_scaler.data_max_)
print('data_min_',mini_max_scaler.data_min_)
print('data_range_',mini_max_scaler.data_range_)

X1_scaled [[0.1 ]
 [0.35]
 [0.6 ]]
min_ [0.         0.5        0.33333333]
scale_ [0.5        0.5        0.33333333]
data_max_ [2. 1. 2.]
data_min_ [ 0. -1. -1.]
data_range_ [2. 2. 3.]