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
技术标签:
【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)
【问题讨论】:
【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。以上是关于在训练数据上使用 MinMaxScaler 以生成用于测试数据的标准、最小值和最大值的主要内容,如果未能解决你的问题,请参考以下文章
MinMaxScaler.fit_transform 始终返回/转换为 0
MinMaxScaler 标准化已经在 [0,1] 范围内的值 Python