데이터 귀일화 처리

2029 단어 
data = np.array(
            [[-0.017612, 14.053064],
             [-1.395634, 1.662541],
             [-0.752157, 6.538620],
             [-1.322371, 7.152853],
             [0.423363, 11.054677],
             [0.406704, 7.067335],
             [0.667394, 12.741452],
             [-2.460150, -0.866805],
             [0.569411, 9.548755],
             [-0.026632, 10.427743]], dtype=float)
label = np.array([0, 1, 0, 0, 0, 1, 0, 1, 0, 0])
target = [2.0, 1.0]
  • from sklearn.preprocessing import scale는 주어진 데이터를 직접 표준화할 수 있습니다.
    • scaler = scale(data)
print(scaler.mean(axis=0), scaler.std(axis=0))

<>:[0 0] [1 1]
  • from sklearn.preprocessing import StandardScaler 클래스의 장점은 트레이닝에 집중된 매개 변수(균일치, 방차)를 직접 사용하여 테스트 세트 데이터를 변환하는 데 있다.
    • scaler = StandardScaler().fit(data)
print(scaler.mean_,scaler.var_)
data = scaler.transform(data)
target = scaler.transform([target])

<>:[-0.3907684  7.9380235]
 [0.99028455  19.92129407]
  • from sklearn.preprocessing import minmax_scale를 일정 구간으로 귀일화
    • scaler = minmax_scale(data,feature_range=(0,1))
print(scaler.mean(axis=0), scaler.std(axis=0))

<>:[ 0.66166347,  0.59014114], 
[0.31818271,  0.29915328]
  • from sklearn.preprocessing import MinMaxScaler 클래스의 이점은 트레이닝 세트의 매개변수(균일치, 분산)를 개체 변환 테스트 세트 데이터로 직접 저장할 수 있다는 것입니다.
    • mm = MinMaxScaler()
scaler = mm.fit_transform(data)
target = mm.transform([target])[0]
print(mm.min_,mm.scale_)

<>:[ 0.78660764,  0.05809736]
[ 0.31973971,  0.06702472]
  • from sklearn.preprocessing import normalize 특정 귀일화
    • target = [2.0, 1.0]
scalar = normalize(data, norm='l2')
  • from sklearn.preprocessing import Normalizer는 테스트 세트를 동일한 공간에 매핑
    • scalar = Normalizer().fit(data)
data = scalar.transform(data)
target = scalar.transform([target])[0]
    Caffe——when a blob will copy data
    mpi 다섯 번째 사이트 - 사용자 정의 mpi의 방송

    좋은 웹페이지 즐겨찾기

    개발자 우수 사이트 수집

    개발자가 알아야 할 필수 사이트 100선 추천 우리는 당신을 위해 100개의 자주 사용하는 개발자 학습 사이트를 정리했습니다
    best100-homepage