Normalizace

Jak bylo zmíněno ve videu, při normalizaci lineárně škáluješ celý sloupec na rozsah od 0 do 1, kde 0 odpovídá nejnižší hodnotě ve sloupci a 1 nejvyšší.
Při práci se scikit-learn (nejpoužívanější knihovnou pro Machine Learning v Pythonu) můžeš k normalizaci využít MinMaxScaler. (Název vychází z toho, že škáluje hodnoty mezi minimem a maximem.)

Toto cvičení je součástí kurzu

Feature Engineering for Machine Learning in Python

Zobrazit kurz

Pokyny k cvičení

Importuj MinMaxScaler z modulu preprocessing knihovny sklearn.
Vytvoř instanci MinMaxScaler() a ulož ji do proměnné MM_scaler.
Fituj MinMaxScaler na sloupci Age z so_numeric_df.
Transformuj stejný sloupec pomocí právě fitovaného scaleru.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import MinMaxScaler
____

# Instantiate MinMaxScaler
MM_scaler = ____()

# Fit MM_scaler to the data
____.____(so_numeric_df[['Age']])

# Transform the data using the fitted scaler
so_numeric_df['Age_MM'] = ____.____(so_numeric_df[['Age']])

# Compare the origional and transformed column
print(so_numeric_df[['Age_MM', 'Age']].head())

Upravit a spustit kód