표준화#

python
1ex = np.array([0, 1, 2, 3, 4, 5])
2
3print('표준화:', (ex - ex.mean()) / ex.std())

평균=0, 분산=1로 만든다.

MinMaxScaler()#

python
1from sklearn.preprocessing import MinMaxScaler
2
3mms = MinMaxScaler()
4X_train_norm = mms.fit_transform(X_train)
5X_test_norm = mms.transform(X_test)

정해진 범위의 값이 필요할 때 유용하게 사용된다.

표준화는 이상치에 덜 민감한 반면,
최소-최대 스케일 변환은 이상치 정보가 유지된다.

StandardScaler()#

sklearn으로 표준화함수를 사용할 수 있다.

python
1from sklearn.preprocessing import StandardScaler
2
3stdsc = StandardScaler()
4X_train_std = stdsc.fit_transform(X_train)
5X_test_std = stdsc.transform(X_test)

RobustScaler()#

이상치가 많은 작은 데이터셋을 다룰 때 좋다.
혹은 과대적합되기 쉽다면 이 scaler가 좋다.

RobustScaler는 특성 열마다 독립적으로 작용하며 중간 값을 뺀 다음 25백분위수와 75백분위수를 사용해서 데이터셋의 스케일을 조정한다.

python
1from sklearn.preprocessing import RobustScaler
2rbs = RobustScaler()
3X_train_robust = rbs.fit_transform(X_train)
4X_test_robust = rbs.fit_transform(X_test)

MaxAbsScaler()#

각 특성별로 데이터를 최대 절댓값으로 나눈다. 각 특성의 최대값을 1로 스케일링한다.

python
1from sklearn.preprocessing import MaxAbsScaler
2mas = MaxAbsScaler()
3X_train_maxabs = mas.fit_transform(X_train)
4X_test_maxabs = mas.fit_transform(X_test)

Normalizer()#

특성이 아니라 샘플 별로 정규화시킨다.

python
1from sklearn.preprocessing import Normalizer
2
3nrm = Normalizer()
4X_train_l2 = nrm.fit_transform(X_train)