ПочатиПочніть безкоштовно

Нормалізація

Як обговорювали у відео, під час нормалізації ви лінійно масштабуєте весь стовпець у діапазон від 0 до 1: 0 відповідає найменшому значенню в стовпці, а 1 — найбільшому.
Використовуючи scikit-learn (найпоширенішу бібліотеку машинного навчання в Python), можна застосувати MinMaxScaler для нормалізації. (Так називається, тому що масштабує значення між мінімальним і максимальним значеннями.)

Ця вправа є частиною курсу

Feature Engineering для машинного навчання в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте MinMaxScaler з модуля preprocessing бібліотеки sklearn.
  • Створіть екземпляр MinMaxScaler() як MM_scaler.
  • Підіженіть MinMaxScaler на стовпці Age датафрейму so_numeric_df.
  • Трансформуйте цей самий стовпець за допомогою щойно підігнаного перетворювача.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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())
Редагувати та запускати код