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 tulos on enintään 1.

Tässä on gif, joka havainnollistaa, miten MinMaxScaler toimii:

MaxAbsScaler

MaxAbsScaler etsii suurimman itseisarvon ja jakaa jokaisen arvon sillä. Tämä varmistaa, että suurin itseisarvo on 1.

StandardScaler

StandardScaler perustuu tilastotieteeseen. Se toimii vähentämällä keskiarvon (keskittääkseen arvot nollan ympärille) ja jakamalla keskihajonnalla (asettaakseen 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 välttämätöntä jatkaaksesi eteenpäin.

Tässä on koodiesimerkki MinMaxScaler-luokan käytöstä. Muita skaalaimia käytetään 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 kovin siisti, koska skaalaajat muuntavat datan numpy-taulukoksi, mutta putkistojen avulla tämä ei ole ongelma.

Huomio

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

Minkä skaalaimen valitsisit?

StandardScaler on herkempi poikkeaville arvoille, mikä tekee siitä vähemmän sopivan oletusskaalaimeksi. Jos haluat vaihtoehdon StandardScaler:lle, valinta MinMaxScaler:n ja MaxAbsScaler:n välillä riippuu henkilökohtaisista mieltymyksistä: haluatko skaalata datan [0,1]-välille MinMaxScaler:lla vai [-1,1]-välille MaxAbsScaler:lla.