Normalisation

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

Cet exercice fait partie du cours

Feature engineering pour le Machine Learning en Python

Afficher le cours

Instructions

Importez MinMaxScaler depuis le module preprocessing de sklearn.
Instanciez MinMaxScaler() sous le nom MM_scaler.
Ajustez le MinMaxScaler sur la colonne Age de so_numeric_df.
Transformez cette même colonne avec le scaler que vous venez d’ajuster.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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