maxabs_scale#

sklearn.preprocessing.maxabs_scale(X, *, axis=0, copy=True)[source]#

将每个特征缩放到 [-1, 1] 范围，同时不破坏稀疏性。

此估计器单独缩放每个特征，使得训练集中每个特征的最大绝对值将为 1.0。

此缩放器也可应用于稀疏的 CSR 或 CSC 矩阵。

参数:

X{类数组, 稀疏矩阵}，形状为 (n_samples, n_features): 数据。
axis{0, 1}，默认值=0: 用于缩放的轴。如果为 0，则独立缩放每个特征；否则（如果为 1），则缩放每个样本。
copy布尔值，默认值=True: 如果为 False，则尝试避免复制并原地缩放。这不保证总能原地工作；例如，如果数据是具有 int 数据类型的 numpy 数组，即使 copy=False 也会返回副本。

返回:

X_tr{ndarray, 稀疏矩阵}，形状为 (n_samples, n_features): 转换后的数据。

警告

数据泄露风险除非您知道自己在做什么，否则请勿使用 maxabs_scale。一个常见的错误是在将数据分割为训练集和测试集之前将其应用于整个数据。这将使模型评估产生偏差，因为信息会从测试集泄漏到训练集。通常，我们建议在 Pipeline 中使用 MaxAbsScaler，以防止大多数数据泄露风险：pipe = make_pipeline(MaxAbsScaler(), LogisticRegression())。

另请参阅

MaxAbsScaler: 使用 Transformer API 执行缩放到 [-1, 1] 范围（例如，作为预处理 Pipeline 的一部分）。

注意

NaNs 被视为缺失值：在计算统计数据时被忽略，在数据转换过程中被保留。

有关不同缩放器、转换器和归一化器的比较，请参阅：比较不同缩放器对含异常值数据的影响。

示例

>>> from sklearn.preprocessing import maxabs_scale
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> maxabs_scale(X, axis=0)  # scale each column independently
array([[-1. ,  1. ,  1. ],
       [-0.5,  0. ,  0.5]])
>>> maxabs_scale(X, axis=1)  # scale each row independently
array([[-1. ,  0.5,  1. ],
       [-1. ,  0. ,  1. ]])

maxabs_scale#

本页