Oppiskele StandardScaler, MinMaxScaler, MaxAbsScaler | Datan Esikäsittely Scikit-learnilla

Pyyhkäise näyttääksesi valikon

Kolme suosittua lähestymistapaa datan skaalaamiseen:

MinMaxScaler: skaalaa ominaisuudet [0, 1] -välille;
MaxAbsScaler: skaalaa ominaisuudet siten, että suurin itseisarvo on 1 (tällöin data on varmasti [-1, 1] -välillä);
StandardScaler: standardoi ominaisuudet siten, että keskiarvo on 0 ja varianssi 1.

Havainnollistetaan skaalainten toimintaa tarkastelemalla 'culmen_depth_mm' ja 'body_mass_g' -ominaisuuksia penguins dataset -aineistosta. Näitä ominaisuuksia voidaan visualisoida niiden mittakaavojen havainnollistamiseksi.

MinMaxScaler

MinMaxScaler toimii vähentämällä pienimmän arvon (jotta arvot alkavat nollasta) ja jakamalla sitten (x_max - x_min):llä, jolloin suurin arvo on enintään 1.

Tässä on gif, joka havainnollistaa, miten MinMaxScaler toimii:

MaxAbsScaler

MaxAbsScaler toimii etsimällä suurimman itseisarvon ja jakamalla jokaisen arvon sillä. Tämä varmistaa, että suurin itseisarvo on 1.

StandardScaler

StandardScaler perustuu tilastotieteeseen. Se toimii vähentämällä keskiarvon (keskittäen arvot nollan ympärille) ja jakamalla keskihajonnalla (asettaen varianssin arvoksi 1).

Huomio

Jos et ymmärrä, mitä keskiarvo, keskihajonta ja varianssi tarkoittavat, voit tutustua Learning Statistics with Python -kurssiimme. Tämä tieto ei kuitenkaan ole pakollista jatkaaksesi eteenpäin.

Tässä on koodiesimerkki MinMaxScaler-luokan käytöstä. Muiden skaalainten käyttö tapahtuu samalla tavalla.


              12345678910
            
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed_encoded.csv')
# Assign X,y variables
X, y = df.drop('species', axis=1), df['species']
# Initialize a MinMaxScaler object and transform the X
minmax = MinMaxScaler()
X = minmax.fit_transform(X)
print(X)

Tuloste ei ole kaikkein siistein, koska skaalaimet muuntavat datan numpy-taulukoksi, mutta putkistojen (pipelines) kanssa tämä ei aiheuta ongelmia.

Huomio

Vain piirre-sarakkeet (muuttuja X) tulisi skaalata. Kohdemuuttujaa ei tarvitse skaalata, sillä se vaikeuttaisi käänteismuunnosprosessia.

Minkä skaalaimen valitsen?

StandardScaler on herkempi poikkeaville arvoille, joten se ei ole paras oletusvalinta. Jos haluat vaihtoehdon StandardScaler:lle, valinta MinMaxScaler:n ja MaxAbsScaler:n välillä riippuu mieltymyksistä: haluatko skaalata datan [0,1]-välille MinMaxScaler:lla vai [-1,1]-välille MaxAbsScaler:lla.

1. Mikä on `MinMaxScaler`-menetelmän ensisijainen tarkoitus datan esikäsittelyssä?

2. Miksi saatat harkita uudelleen `StandardScaler`-menetelmän käyttöä aineistossasi?

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 10

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme