sklearn
Framework open source Python pour l'apprentissage automatique.
site officiel sklearn
sklearn réseau chinois
sklearn.preprocessing.StandardScaler
Les caractéristiques sont normalisées en supprimant la moyenne et en les adaptant à la variance unitaire.
La formule est la suivante:
$ z = \ frac {x- \ mu} {\ sigma} $
où $ \ mu $ est la valeur moyenne de l'échantillon d'apprentissage et $ \ sigma $ est l'écart-type de l'échantillon d'apprentissage.
à partir de sklearn.preprocessing import StandardScaler
StandardScaler (copy = True, with_mean = True, with_std = True)
- Paramètres:
copie : valeur booléenne, la valeur par défaut est True.
Si elle est False, elle sera mise à l'échelle sur place et aucun nouvel objet ne sera généré.
with_mean : valeur booléenne, la valeur par défaut est True.
Si la valeur est True, essayez de centrer les données avant la mise à l'échelle.
with_std : valeur booléenne, la valeur par défaut est True.
Si la valeur est True, les données sont mises à l'échelle en fonction de la variance d'unité.
- Attributs:
scale_ : ndarray ou None
L'échelle relative de chaque donnée d' entité .
mean_ : ndarray ou None
La valeur moyenne de chaque fonction de l'ensemble d'apprentissage.
var_ : ndarray of None
Variance de chaque entité dans l'ensemble d'apprentissage.
n_samples_seen_ : int ou array
est le nombre d'échantillons traités pour chaque entité. S'il n'y a pas de valeur manquante, c'est un entier, sinon c'est un tableau.
- Méthode :
fit (self, X, y = None)
calcule la moyenne et std pour une mise à l'échelle ultérieure.
fit_transform (self, X, y = None, ** fit_params)
calcule la moyenne et std, puis les transforme.
Paramètres:
X : tableau numpy, ensemble d'entraînement.
y : tableau numpy, valeur cible.
** fit_params : dict, autres paramètres d'ajustement.
Valeur de retour:
tableau numpy, tableau converti.
get_params (self, deep = True) *
Récupère les paramètres de cette estimation.
inverse_transform (self, X, copy = None) met à l'
échelle les données proportionnellement à la forme originale
partial_fit (self, X, y = None)
calcule la valeur moyenne et std sur X en ligne pour une mise à l'échelle future.
set_params (self, ** params)
définit les paramètres de cet estimateur.
transform (self, X, copy = None)
effectue la standardisation par centrage et mise à l'échelle.