- 표준화
평균=0, 분산=1로 만든다.ex = np.array([0, 1, 2, 3, 4, 5]) print('표준화:', (ex - ex.mean()) / ex.std())
- MinMaxScaler()
from sklearn.preprocessing import MinMaxScaler mms = MinMaxScaler() X_train_norm = mms.fit_transform(X_train) X_test_norm = mms.transform(X_test)정해진 범위의 값이 필요할 때 유용하게 사용된다. 표준화는 이상치에 덜 민감한 반면,
최소-최대 스케일 변환은 이상치 정보가 유지된다.
- StandardScaler() sklearn으로 표준화함수를 사용할 수 있다.
from sklearn.preprocessing import StandardScaler stdsc = StandardScaler() X_train_std = stdsc.fit_transform(X_train) X_test_std = stdsc.transform(X_test) - RobustScaler() 이상치가 많은 작은 데이터셋을 다룰 때 좋다.
혹은 과대적합되기 쉽다면 이 scaler가 좋다.RobustScaler는 특성 열마다 독립적으로 작용하며 중간 값을 뺀 다음 25백분위수와 75백분위수를 사용해서 데이터셋의 스케일을 조정한다.from sklearn.preprocessing import RobustScaler rbs = RobustScaler() X_train_robust = rbs.fit_transform(X_train) X_test_robust = rbs.fit_transform(X_test) - MaxAbsScaler() 각 특성별로 데이터를 최대 절댓값으로 나눈다. 각 특성의 최대값을 1로 스케일링한다.
from sklearn.preprocessing import MaxAbsScaler mas = MaxAbsScaler() X_train_maxabs = mas.fit_transform(X_train) X_test_maxabs = mas.fit_transform(X_test) - Normalizer() 특성이 아니라 샘플 별로 정규화시킨다.
from sklearn.preprocessing import Normalizer nrm = Normalizer() X_train_l2 = nrm.fit_transform(X_train)
https://www.jinsoolve.com 으로 블로그 이전했습니다.