maxabs_scale#

sklearn.preprocessing.maxabs_scale(X, *, axis=0, copy=True)[源代码]#

将每个功能扩展到 [-1, 1] 范围而不破坏稀疏性。

该估计器单独缩放每个特征，使得训练集中每个特征的最大绝对值为1.0。

该缩放器还可以应用于稀疏CSR或CSC矩阵。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 数据。
axis{0，1}，默认值=0: 轴用于缩放。如果为0，则独立缩放每个特征，否则（如果为1）缩放每个样本。
copy布尔，默认=True: 如果为假，请尽量避免复制并就地缩放。并不能保证这始终有效;例如，如果数据是具有int dype的numpy数组，即使具有Copy=False，也会返回副本。

返回:

X_tr{ndarray，sparse matrix}的形状（n_samples，n_features）: 转换后的数据。

警告

数据泄露风险不要使用 maxabs_scale 除非你知道你在做什么。一个常见的错误是将其应用于整个数据 before 分为训练集和测试集。这将使模型评估产生偏差，因为信息会从测试集泄露到训练集。一般来说，我们建议使用 MaxAbsScaler 内 Pipeline 为了防止大多数数据泄露风险： pipe = make_pipeline(MaxAbsScaler(), LogisticRegression()) .

参见

MaxAbsScaler: 执行扩展到 [-1, 1] 使用Transformer API的范围（例如作为预处理的一部分 Pipeline ).

注意到

NaN被视为缺失值：在计算统计数据时被忽略，并在数据转换期间进行维护。

有关不同缩放器、转换器和规范器的比较，请参阅：比较不同缩放器对数据的影响与离群值 .

示例

>>> from sklearn.preprocessing import maxabs_scale
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> maxabs_scale(X, axis=0)  # scale each column independently
array([[-1. ,  1. ,  1. ],
       [-0.5,  0. ,  0.5]])
>>> maxabs_scale(X, axis=1)  # scale each row independently
array([[-1. ,  0.5,  1. ],
       [-1. ,  0. ,  1. ]])