Kom igångKom igång gratis

Normalisering

Som nämndes i videon innebär normalisering att du linjärt skalar hela kolumnen till ett intervall mellan 0 och 1, där 0 motsvarar det lägsta värdet i kolumnen och 1 det högsta.
I scikit-learn – det mest använda maskininlärningsbiblioteket i Python – kan du använda en MinMaxScaler för att tillämpa normalisering. (Namnet syftar på att den skalar dina värden mellan ett minimum- och ett maximumvärde.)

Den här övningen är en del av kursen

Särdragshantering för maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Importera MinMaxScaler från modulen preprocessing i sklearn.
  • Skapa en instans av MinMaxScaler() och spara den som MM_scaler.
  • Anpassa MinMaxScaler på kolumnen Age i so_numeric_df.
  • Transformera samma kolumn med den scaler du just anpassade.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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())
Redigera och kör kod