Verwendung der Funktion StandardScaler() zur Standardisierung von Python-Daten
Hallo, Leser! In diesem Artikel werden wir uns auf eine der wichtigsten Vorverarbeitungstechniken in Python konzentrieren - Standardisierung mit der Funktion StandardScaler().
Also, lassen Sie uns anfangen!!
Notwendigkeit der Standardisierung
Bevor wir uns mit der Standardisierung befassen, lassen Sie uns zunächst das Konzept der Skalierung verstehen.
Die Skalierung der Merkmale ist ein wesentlicher Schritt beim Modellieren der Algorithmen mit den Datensätzen. Die Daten, die normalerweise für das Modellieren verwendet werden, stammen durch verschiedene Mittel wie:
- Fragebogen
- Umfragen
- Forschung
- Scraping, usw.
Die erhaltenen Daten enthalten also Merkmale verschiedener Dimensionen und Skalen. Unterschiedliche Skalen der Datenmerkmale wirken sich negativ auf die Modellierung eines Datensatzes aus.
Es führt zu einem voreingenommenen Ergebnis von Vorhersagen in Bezug auf Fehlklassifikationsfehler und Genauigkeitsraten. Daher ist es notwendig, die Daten vor der Modellierung zu skalieren.
Das ist der Zeitpunkt, an dem die Standardisierung ins Spiel kommt.
Die Standardisierung ist eine Skalierungstechnik, bei der die Daten skalierungsfrei gemacht werden, indem die statistische Verteilung der Daten in das folgende Format umgewandelt wird:
- mittel - 0 (null)
- Standardabweichung - 1
Durch dies wird der gesamte Datensatz mit einem Mittelwert von null und einer Einheitlichen Varianz skaliert.
Lassen Sie uns nun versuchen, das Konzept der Standardisierung in den kommenden Abschnitten umzusetzen.
Python sklearn StandardScaler() Funktion
Die Python-Sklearn-Bibliothek bietet uns die StandardScaler()-Funktion, um die Datenwerte in ein standardisiertes Format zu bringen.
Syntax:
object = StandardScaler()
object.fit_transform(data)
Gemäß der obigen Syntax erstellen wir zunächst ein Objekt der Funktion StandardScaler(). Danach verwenden wir fit_transform() zusammen mit dem zugewiesenen Objekt, um die Daten zu transformieren und zu standardisieren.
Hinweis: Die Standardisierung ist nur an den Datenwerten anwendbar, die einer Normalverteilung folgen.
Die Daten mit der Funktion StandardScaler() standardisieren.
Schau dir das folgende Beispiel an!
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
dataset = load_iris()
object= StandardScaler()
Splitting the independent and dependent variables
i_data = dataset.data
response = dataset.target
standardization
scale = object.fit_transform(i_data)
print(scale)
Erklärung:
- Importieren Sie die erforderlichen Bibliotheken. Wir haben die sklearn-Bibliothek importiert, um die Funktion StandardScaler zu verwenden.
- Laden Sie das Datensatz. Hier haben wir den IRIS Datensatz aus der sklearn.datasets Bibliothek verwendet. Sie finden den Datensatz hier.
- Setzen Sie ein Objekt auf die StandardScaler() Funktion.
- Trennen Sie die unabhängigen und die Zielvariablen wie oben gezeigt.
- Wenden Sie die Funktion auf den Datensatz an, indem Sie die Funktion fit_transform() verwenden.
Ausgabe:
Schlussfolgerung
Damit sind wir am Ende dieses Themas angekommen. Fühlen Sie sich frei, unten zu kommentieren, falls Sie auf eine Frage stoßen.
Für weitere Beiträge zu Python, bleiben Sie dran @ Python mit JournalDev und bis dahin, viel Spaß beim Lernen!! :)