特征缩放是构建机器学习算法的数据预处理阶段的重要步骤。它有助于规范化数据以使其落在特定范围内。
有时，它还有助于提高机器执行计算的速度。
作为输入馈入学习算法的数据应保持一致和结构化。输入数据的所有特征都应在单个范围内，以有效地预测值。但是在现实世界中，数据是非结构化的，而且在大多数情况下，数据的规模是不同的。
这是规范化的时候。这是最重要的数据准备过程之一。它有助于将输入数据集的列的值更改为相同的范围。
让我们了解如何使用Scikit学习库在Python中执行功能缩放。
import numpy as np
from sklearn import preprocessing
input_data = np.array(
[[34.78, 31.9, -65.5],
[-16.5, 2.45, -83.5],
[0.5, -87.98, 45.62],
[5.9, 2.38, -55.82]])
data_scaler_minmax = preprocessing.MinMaxScaler(feature_range=(0,1))
data_scaled_minmax = data_scaler_minmax.fit_transform(input_data)
print ("\nThe scaled data is \n", data_scaled_minmax)The scaled data is
[[1. 1. 0.1394052 ]
[0. 0.75433767 0. ]
[0.33151326 0. 1. ]
[0.43681747 0.75375375 0.21437423]]
所需的软件包已导入。
输入数据是使用Numpy库生成的。
“预处理”类中提供的MinMaxScaler函数用于将数据缩放到0到1的范围内。
这样，数组中的任何数据都会按比例缩小到0到1之间的值。
此缩放的数据显示在控制台上。