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

Question

我如何使用 scikit-learn MinMaxScaler 来标准化 pandas 数据框训练数据集中的每一列，但使用完全相同的标准差，min/max 公式在我的测试数据集上？

由于模型不知道我的测试数据，所以我不想对整个数据集进行标准化，它不会成为未来未知数据的准确模型。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最小-最大缩放器，但想知道 scikit-learn 是否已经可以做到这一点，或者是否有我可以首先使用的库）

Answer 1

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

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)

您的方法现在看来是很好的做法。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，因为您的训练数据事先会具有 "seen" 测试数据的规模。使用基于 class 的 MinMaxScaler() 实现是 sklearn 如何具体解决这个问题，允许对象 "remember" 它所适合的数据的属性。

但是，请注意 MinMaxScaler() 不会扩展到 ~N(0, 1)。事实上，它被明确标榜为这种缩放的替代方案。换句话说，它根本不能保证单位方差或 0 均值。事实上，它并不关心传统意义上定义的标准偏差。

来自文档字符串：

The transformation is given by:

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 MinMaxScaler() 的 __init__ 中的解压缩 feature_range（默认 (0, 1)）。手动这是：

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))

假设你有：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)

如果你打电话给

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

知道 scaler.scale_ 是 而不是 您进行拟合的数据的标准偏差。

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])

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

Use MinMaxScaler on training data to generate std, min and max to be used on testing data

python

scikit-learn

minmax