ПочатиПочніть безкоштовно

Стандартизація

Нормалізація корисна, коли потрібно масштабувати стовпчик між двома значеннями. Однак порівнювати два масштабовані стовпчики складно, якщо хоча б один із них надто чутливий до викидів. Поширене рішення — стандартизація: замість жорстких верхньої та нижньої меж дані центрують відносно середнього та виражають кожне значення як кількість стандартних відхилень від цього середнього.

Ця вправа є частиною курсу

Feature Engineering для машинного навчання в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте StandardScaler з модуля preprocessing бібліотеки sklearn.
  • Створіть екземпляр StandardScaler() як SS_scaler.
  • Навчіть (fit) StandardScaler на стовпчику Age датафрейма so_numeric_df.
  • Перетворіть (transform) цей самий стовпчик за допомогою щойно навченого перетворювача.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import StandardScaler
____

# Instantiate StandardScaler
SS_scaler = ____()

# Fit SS_scaler to the data
____.____(so_numeric_df[['Age']])

# Transform the data using the fitted scaler
so_numeric_df['Age_SS'] = ____.____(so_numeric_df[['Age']])

# Compare the origional and transformed column
print(so_numeric_df[['Age_SS', 'Age']].head())
Редагувати та запускати код