Import sklearn minmaxscaler已移植到其他笔记本_Import_Scikit Learn_Scaling_Preprocessor

Import sklearn minmaxscaler已移植到其他笔记本

import scikit-learn

Import sklearn minmaxscaler已移植到其他笔记本,import,scikit-learn,scaling,preprocessor,Import,Scikit Learn,Scaling,Preprocessor,我如何下载min_max_scaler属性，以便对不同笔记本中的数据应用相同的转换为了充分披露，我在一个笔记本中训练了一个NN，并在不同的位置运行它。对我来说，在第二个位置加载神经网络的训练权重很简单，但我需要在将数据输入模型之前缩放数据。为了准确起见，我相信它必须使用原始的比例属性根据，您可以使用 X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0)) X_scaled = X_std * (max - min) + mi

我如何下载min_max_scaler属性，以便对不同笔记本中的数据应用相同的转换

为了充分披露，我在一个笔记本中训练了一个NN，并在不同的位置运行它。对我来说，在第二个位置加载神经网络的训练权重很简单，但我需要在将数据输入模型之前缩放数据。为了准确起见，我相信它必须使用原始的比例属性

根据，您可以使用

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

其中X是原始数据集。（尽管只要您的特征范围是默认的（0,1），上面的第二行就不需要了-您将得到

X_scaled=X_std

）

如果您想使用已经训练过的Max标尺代替原来的数据集进行同样的计算，请考虑下面的示例（再次假设特征范围位于默认值（0，1））

再多看一点文档，我会用min_max_scaler.min_减去新数据，然后再除以min_max_scaler.scale吗？你不能用

pickle

保存对象吗？如果没有代码，这个问题太广泛了。

from sklearn.preprocessing import MinMaxScaler
import pandas as pd
import numpy as np

# Test data set
X = pd.DataFrame(np.random.randint(0, 100, size=(20,4)))

# Test scaler
scaler = MinMaxScaler()
sklearn_result = scaler.fit_transform(X)

# Compute, and verify results match up to machine precision
manual_result = (X - scaler.data_min_)/(scaler.data_max_ - scaler.data_min_)
(sklearn_result - test).max().max() . # Is around 10e-16