前言

　sklearn是python的重要機器學習庫，其中封裝了大量的機器學習算法，如：分類、回歸、降維以及聚類；還包含了監(jiān)督學習、非監(jiān)督學習、數(shù)據(jù)變換三大模塊。sklearn擁有完善的文檔，使得它具有了上手容易的優(yōu)勢；并它內(nèi)置了大量的數(shù)據(jù)集，節(jié)省了獲取和整理數(shù)據(jù)集的時間。因而，使其成為了廣泛應用的重要的機器學習庫。

sklearn是一個無論對于機器學習還是深度學習都必不可少的重要的庫，里面包含了關(guān)于機器學習的幾乎所有需要的功能，因為sklearn庫的內(nèi)容是如此之多以至于一開始就從宏觀層面展開的話很可能會使初學者感到困惑和恐懼。相反的，本文不會先整體介紹sklearn庫，而是先從sklearn庫中的一些具體實例入手，在讀者學習完一些比較常用的函數(shù)并且對他們的功能有了一定了解之后，本文再從宏觀展開，全面細致的講解sklearn庫。本博客中的實例幾乎都來自我自己學習keras的過程中，建議與我的另外一篇寫keras的博客一同食用，理解起來更佳。

一、MinMaxScaler

MinMaxScaler函數(shù)主要的用途就在于數(shù)據(jù)歸一化。數(shù)據(jù)歸一化是在我們開始深度學習之前做的數(shù)據(jù)預處理過程中的重要一環(huán)，簡單來說就是將我們的測試樣本的元素都集中在[0,1]的區(qū)間上，數(shù)據(jù)歸一化可以讓我們的神經(jīng)網(wǎng)絡模型學習起來更快達到最佳點，如果不進行歸一化的話神經(jīng)網(wǎng)絡可能會花費很長時間來收斂（也就是到達最佳點）甚至可能最終也不會收斂。同時，數(shù)據(jù)歸一化也可以大大增加神經(jīng)網(wǎng)絡中可學習參數(shù)的精度，從而達到更好的學習效果。下面就是MinMaxScaler函數(shù)的實例應用。

from sklearn import preprocessing
import numpy as np

x = np.array([[3., -1., 2., 613.],
              [2., 0., 0., 232],
              [0., 1., -1., 113],
              [1., 2., -3., 489]])

min_max_scaler = preprocessing.MinMaxScaler()
x_minmax = min_max_scaler.fit_transform(x)
print(x_minmax)

運行結(jié)果：

[[1. 0. 1. 1. ]

 [0.66666667 0.33333333 0.6        0.238     ]
 [0.         0.66666667 0.4        0.        ]
 [0.33333333 1.         0.         0.752     ]]
總結(jié)起來就是兩步：1.scaler=preprocessing.MinMaxScaler()
               2.x1=scaler.fit_transform(x)
x1就是歸一化之后的結(jié)果
注意，想要引入MinMaxScaler可以有兩種import的方式，除了上文中的方式還可以這樣做：

  from sklearn.preprocessing import MinMaxScaler

到此這篇關(guān)于python庫sklearn常用操作的文章就介紹到這了,更多相關(guān)python庫sklearn內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！