Sklearn中的一些函数的解读

sklearn

sklearn.model_selection.train_test_split()

feature_train,feature_test,label_train,label_test = sklearn.model_selection.train_test_split(feature,label,test_size,random_state)

其中feature就是特征集，label是标签集，test_size是测试集比例，可以是小数或者数值，小数的含义是按比例划分到测试集中，数值是按数量划分到测试集中,random_state就是随机种子~

返回值按顺序分别是feature_train,feature_test,label_train,label_test

sklearn.preprocessing.MinMaxScaler()

min_max_scaler = preprocessing.MinMaxScaler()
x_train = min_max_scaler.fit_transform(feature_train)
x_test = min_max_scaler.fit_transform(feature_test)

先调用sklearn.preprocessing.MinMaxScaler()生成实例对象min_max_scaler，这个实例对象的方法fit_transform(x)就是用来对x实现最大最小值归一化的，也就是把数据放缩到[0,1]中。

注意这里的归一化，不是对整个矩阵进行归一化，而是一列一列进行的归一化，具体如下：

from sklearn import preprocessing
import numpy as np

x = np.array([[3., 3, 2., 1],
              [2., 0., 0., 2],
              [0., 1., 1., 3],
              [1., 2., 3, 0]])
 
min_max_scaler = preprocessing.MinMaxScaler()
x_minmax = min_max_scaler.fit_transform(x)
print(x_minmax)

[[1,1,0.6,0.3],

[0.6,0,0,0.6],

[0,0.3,0.3,1]

[0.3,0.6,1,0]]

这样比较好，因为每一列就是一个特征，或者一个标签，我们需要在各个特征下进行归一化~

另外sklearn.preprocessing.MaxAbsScaler()是归一化到[-1,1]中，而sklearn.preprocessing.scale(x)则是实现标准化的，注意这个是直接用的，没有实例化对象，它应该是一个def.