scikit-learn MinMaxScaler, bir NumPy implementasyonu

Question

I'den biraz farklı sonuçlar üretiyor. Ben scikit-öğrenmesi Min-Max scaler'ı preprocessing modülünden NumPy kullanarak "manüel" bir yaklaşımla karşılaştırıyor. Ancak, sonuç biraz farklı olduğunu fark ettim. Bunun için bir açıklaması var mı?

Min-Maks ölçeklendirme aşağıdaki denklemi kullanarak: Ben kullanarak hem yaklaşımlar am (X - X.min(axis=0))/(X.max(axis=0) - X.min(axis=0))

şöyle:

birini scikit-öğrenme aynı olmalıdır

def numpy_minmax(X): 
    xmin = X.min() 
    return (X - xmin)/(X.max() - xmin) 

def sci_minmax(X): 
    minmax_scale = preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True) 
    return minmax_scale.fit_transform(X) 

Rastgele bir örnek üzerinde:

import numpy as np 

np.random.seed(123) 

# A random 2D-array ranging from 0-100 

X = np.random.rand(100,2) 
X.dtype = np.float64 
X *= 100 

sonuçlar biraz farklıdır:

from matplotlib import pyplot as plt 

sci_mm = sci_minmax(X) 
numpy_mm = numpy_minmax(X) 

plt.scatter(numpy_mm[:,0], numpy_mm[:,1], 
     color='g', 
     label='NumPy bottom-up', 
     alpha=0.5, 
     marker='o' 
     ) 

plt.scatter(sci_mm[:,0], sci_mm[:,1], 
     color='b', 
     label='scikit-learn', 
     alpha=0.5, 
     marker='x' 
     ) 

plt.legend() 
plt.grid() 

plt.show() 

Answer 1

scikit-learn işlemleri her biri tek tek özellikler. min çekerken Yani, axis=0 belirtmeniz gerekir, aksi numpy.minüzerine dizinin tüm elemanları değil ayrı ayrı her sütun min olacaktır:

>>> xs 
array([[1, 2], 
     [3, 4]]) 
>>> xs.min() 
1 
>>> xs.min(axis=0) 
array([1, 2]) 

numpy.max için

aynı şey; böylece doğru fonksiyonu olacaktır: harika