Skalierung II

Jetzt wendest du einen Scaler auf den Datensatz an, der dir als environment zur Verfügung steht.

Denk daran: Skalierung hilft dem Algorithmus, schneller zu konvergieren, und verhindert, dass ein dominantes Feature die Ergebnisse stark beeinflusst.

Diese Übung ist Teil des Kurses

<Kurs>IoT-Daten in Python analysieren</Kurs>

Kurs ansehen

Übungsanweisungen

Initialisiere einen StandardScaler und speichere ihn als sc.
Fitte den Scaler auf environment.
Skaliere environment und speichere das Ergebnis als environ_scaled.
Wandle die skalierten Daten zurück in ein DataFrame und verwende dabei die gleichen Spalten und den gleichen Index wie im ursprünglichen DataFrame.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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)

Code bearbeiten und ausführen