CommencezCommencez gratuitement

Normalisation

Comme expliqué dans la vidéo, la normalisation consiste à mettre à l'échelle linéairement toute la colonne entre 0 et 1, où 0 correspond à la plus petite valeur de la colonne et 1 à la plus grande.
Avec scikit-learn (la bibliothèque de Machine Learning la plus utilisée en Python), vous pouvez utiliser un MinMaxScaler pour appliquer la normalisation. (Ce nom vient du fait qu'il met vos valeurs à l'échelle entre une valeur minimale et une valeur maximale.)

Cette activité fait partie du cours

Ingénierie des caractéristiques pour le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Importez MinMaxScaler du module preprocessing de sklearn.
  • Instanciez MinMaxScaler() en tant que MM_scaler.
  • Ajustez (fit) le MinMaxScaler sur la colonne Age de so_numeric_df.
  • Transformez cette même colonne avec l'outil d'échelle que vous venez d'ajuster.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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())
Modifier et exécuter le code