在训练数据上使用 MinMaxScaler 以生成用于测试数据的标准、最小值和最大值

Posted 2023-04-13

【中文标题】在训练数据上使用 MinMaxScaler 以生成用于测试数据的标准、最小值和最大值

【英文标题】：Use MinMaxScaler on training data to generate std, min and max to be used on testing data

【发布时间】：2018-07-08 17:25:53

【问题描述】：

如何使用 scikit-learn MinMaxScaler 标准化 pandas 数据框训练数据集中的每一列，但在我的测试数据集上使用完全相同的标准差、最小/最大公式？

由于我的测试数据对模型来说是未知的，我不想标准化整个数据集，这对于未来的未知数据将不是一个准确的模型。相反，我想使用训练集对 0 和 1 之间的数据进行标准化，并对测试数据的公式使用相同的标准、最小值和最大值。

（显然我可以编写自己的 min-max 缩放器，但想知道 scikit-learn 是否已经可以做到这一点，或者是否有一个我可以首先使用的库）

【参考方案1】：

您应该能够在您的训练数据上 fit 它，然后在您的测试数据上 transform：

scaler = MinMaxScaler()
scaler.fit(X_train)
X_train_scaled = scaler.transform(X_train)  # or: fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

您的方法现在似乎是一种很好的做法。如果您要在整个 X 矩阵（训练和测试相结合）上调用 fit，则会导致信息泄漏，因为您的训练数据会事先“看到”测试数据的规模。使用MinMaxScaler() 的基于类的实现是 sklearn 专门解决这个问题的方式，允许对象“记住”它所适合的数据的属性。

但是，请注意 MinMaxScaler() 确实不缩放到 ~N(0, 1)。事实上，它被明确称为这种缩放的替代方案。换句话说，它根本不保证您的单位方差或 0 均值。事实上，它并不关心传统意义上定义的标准差。

来自文档字符串：

变换由下式给出：

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max_ - min_) + min_

其中min_ 和max_ 等于从MinMaxScaler() 的__init__ 解压缩的feature_range（默认(0, 1)）。手动是这样的：

def scale(a):
    # implicit feature_range=(0,1)
    return (a - X_train.min(axis=0)) / (X_train.max(axis=0) - X_train.min(axis=0))

所以说你有： 将 numpy 导入为 np 从 sklearn.model_selection 导入 train_test_split

np.random.seed(444)

X = np.random.normal(loc=5, scale=2, size=(200, 3))
y = np.random.normal(loc=-5, scale=3, size=X.shape[0])
X_train, X_test, y_train, y_test = train_test_split(
    X, y, random_state=444)

如果你打电话

scaler = MinMaxScaler()
X_train_scaled = scaler.fit_transform(X_train)

知道scaler.scale_ 不是您进行拟合的数据的标准差。

scaler.scale_
# array([ 0.0843,  0.0852,  0.0876])

X_train.std(axis=0)
# array([ 2.042 ,  2.0767,  2.1285])

相反，它是：

(1 - 0) / (X_train.max(axis=0) - X_train.min(axis=0))
# array([ 0.0843,  0.0852,  0.0876])

【讨论】：

@Terry 对于 std，您可能需要 StandardScaler。