Škálování II

Teď aplikuješ scaler na datovou sadu, která je dostupná jako environment.

Nezapomeň, že škálování pomáhá algoritmu rychleji konvergovat a zabraňuje tomu, aby jeden dominantní příznak nadměrně ovlivňoval výsledky.

Toto cvičení je součástí kurzu

Analýza dat z IoT v Pythonu

Zobrazit kurz

Pokyny k cvičení

Inicializuj StandardScaler a ulož ho jako sc.
Přizpůsob scaler datové sadě environment.
Vyškáluj environment a výsledek ulož jako environ_scaled.
Převeď vyškálovaná data zpět na DataFrame se stejnými sloupci a indexem jako původní DataFrame.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Initialize StandardScaler
sc = ____()

# Fit the scaler
sc.fit(____)

# Transform the data
environ_scaled = ____.____(____)

# Convert scaled data to DataFrame
environ_scaled = pd.DataFrame(____, 
                              columns=____, 
                              index=____)
print(environ_scaled.head())
plot_unscaled_scaled(environment, environ_scaled)

Upravit a spustit kód