本文简要介绍python语言中 sklearn.preprocessing.MaxAbsScaler 的用法。 用法: class sklearn.preprocessing.MaxAbsScaler(*, copy=True) 按最大绝对值缩放每个特征。 该估计器单独缩放和转换每个特征,使得训练集中每个特征的最大绝对值为 1.0。它不会移动/居中数据,因此不会破坏任何稀疏性。 这个缩放器也可以应用...
[ 0. ,1. , -0.5]])>>> X_test = np.array([[ -3., -1., 4.]])>>> X_test_maxabs =max_abs_scaler.transform(X_test)>>>X_test_maxabs array([[-1.5, -1. , 2. ]])>>>max_abs_scaler.scale_ array([2., 1., 2.]) 2 缩放稀疏(矩阵)数据 中心化稀疏(矩阵)数据会破坏数...
>>> X_train_maxabs = max_abs_scaler.fit_transform(X_train) >>> X_train_maxabs array([[ 0.5, -1. , 1. ], [ 1. , 0. , 0. ], [ 0. , 1. , -0.5]]) >>> X_test = np.array([[ -3., -1., 4.]]) >>> X_test_maxabs = max_abs_scaler.transform(X_test) >>>...
MaxAbsScaler的计算原理可以用以下公式表示,\[ X_{scaled} = \frac{X}{max(|X|)} \] 其中,\( X_{scaled} \)是经过缩放后的特征向量,X是原始的特征向量,max(|X|)表示每列的最大绝对值。 这种预处理技术的优点是能够保留稀疏数据的稀疏性,并且不会破坏任何有关稀疏数据的结构信息。同时,它也不会将数...
MaxAbsScaler是一种常用的特征缩放方法,用于将特征值缩放到[-1, 1]的范围内。它通过将特征值除以该特征列的最大绝对值来实现缩放,从而保留了特征列的原始分布形态。 MaxAbsScaler的使用步骤如下: 导入所需的库和模块,例如在Python中可以使用sklearn库中的MaxAbsScaler类来实现。 准备数据集,确保要进行标...
X_trian_maxabs = max_abs_scaler.fit_transform(X_train),但 是通常情况下也可以先fit然后再transform,具体可以查阅类Class MaxAbsScaler #Tesr data X_train = np.array([[1., -1., 2.], [2., 0., 0.], [0., 1., -1.],]) #Construction of scaler max_abs_scaler = preprocessing.Max...
2.2 MaxAbsScaler 2.3 RobustScaler:缩放有异常值的特征。 第3章 非线性变换:标准化StandardScaler 3.1 特征的标准化概述 3.2 代码案例 第4章 非线性变换:正则化Normalizer ...
from sklearn.preprocessing import MaxAbsScaler #数据预处理标准化MaxAbsScaler模型 def test_MaxAbsScaler(): X=[[1,5,1,2,10], [2,6,3,2,7], [3,7,5,6,4,], [4,8,7,8,1
特征转换 - MaxAbsScaler MaxAbsScaler转换由向量列组成的数据集,将每个特征调整到[-1,1]的范围,它通过每个特征内的最大绝对值来划分。 它不会移动和聚集数据,因此不会破坏任何的稀疏性。 MaxAbsScaler计算数据集上的统计数据,生成MaxAbsScalerModel,然后使用生成的模型分别的转换特征到范围[-1,1]。下面...
# 需要导入模块: from sklearn import preprocessing [as 别名]# 或者: from sklearn.preprocessing importMaxAbsScaler[as 别名]defnormalize_cv(X, y, i, norm="zero_score"):X_test = X[i] y_test = y[i] X_train = pd.concat(X[:i] + X[i+1:]) ...