| MinMaxScaler 사용법에 대해서 알아 보자. MinMaxScaler는 값을 0과 1사이의 값으로 정규화 한다. 공식은 다음과 같다. y = (x - minx) / (maxx -minx) MinMaxScaler 값은 1차원 배열을 안받기 때문에 2차원으로 배열을 만들었다. from sklearn.preprocessing import MinMaxScaler
data = [[0, 1000], [10, 1], [20, 1], [30, 1], [40, 1], [50, 1]] scaler = MinMaxScaler() res = scaler.fit(data) print('----------------------') print('min=', scaler.data_min_) print('max=', scaler.data_max_) print('------ transform --------') res = scaler.transform(data) print(res) print('res[4]= ', res[4]) print('res[5]= ', res[5][0]) 결과) ---------------------- min= [0. 1.] max= [ 50. 1000.] ------ transform -------- [[0. 1. ] [0.2 0. ] [0.4 0. ] [0.6 0. ] [0.8 0. ] [1. 0. ]] res[4]= [0.8 0. ] res[5]= 1.0 참조) 1차원으로 MinMaxScaler 사용하기 numpy reshape를 이용해 차원을 바꾸면 가능하다. reshape에 -1을 사용하면 numpy에서 알아서 변환한다. from sklearn.preprocessing import MinMaxScaler
import numpy as np data = np.array([0, 10, 20, 30, 40, 50]) data = data.reshape(-1, 1) print(data) scaler = MinMaxScaler() res = scaler.fit(data) print('----------------------') print('min=', scaler.data_min_) print('max=', scaler.data_max_) print('------ transform --------') res = scaler.transform(data) print(res) print('res[4]= ', res[4]) print('res[5]= ', res[5][0]) 결과) [[ 0] [10] [20] [30] [40] [50]] ---------------------- min= [0.] max= [50.] ------ transform -------- [[0. ] [0.2] [0.4] [0.6] [0.8] [1. ]] res[4]= [0.8] res[5]= 1.0 ---------------------------------------------------------------------------------------------------- reshape(-1, 1)을 사용할때 data는 다음과 같이 바뀐다. [[0. ] [0.2] [0.4] [0.6] [0.8] [1. ]] reshape(1, -1)을 사용할때 data는 다음과 같이 바뀐다. [[ 0 10 20 30 40 50]] 결과도 이상하게 나온다. data = data.reshape(1, -1) [[ 0 10 20 30 40 50]] ---------------------- min= [ 0. 10. 20. 30. 40. 50.] max= [ 0. 10. 20. 30. 40. 50.] ------ transform -------- [[0. 0. 0. 0. 0. 0.]] |