Fatal编程技术网
  • scikit-learn/
  • Scikit learn Pytorch如何规范化与以前数据集相关的新记录？

Scikit learn Pytorch如何规范化与以前数据集相关的新记录？

scikit-learn

Scikit learn Pytorch如何规范化与以前数据集相关的新记录？,scikit-learn,normalization,Scikit Learn,Normalization,我正试图用pytorch建立一个神经网络。我正在使用规范化我的数据集。但是，如何规范化需要根据数据集的mix max值预测的新传入记录 scaler=MinMaxScaler（） scaler.fit\u转换（文件\ux[特征列表\u到\u规范化]） 要使用，首先需要将缩放器调整到训练数据的值。这是使用以下方法完成的（正如您已经做的） scaler.fit\u变换（文件\ux[特征列表\u到\u规范化]） 在此之后，fit您的缩放对象scaler将根据训练数据调整其内部参数（例如，min，sc

我正试图用pytorch建立一个神经网络。我正在使用规范化我的数据集。但是，如何规范化需要根据数据集的mix max值预测的新传入记录

scaler=MinMaxScaler（）
scaler.fit\u转换（文件\ux[特征列表\u到\u规范化]）
要使用，首先需要将缩放器调整到训练数据的值。这是使用以下方法完成的（正如您已经做的）

scaler.fit\u变换（文件\ux[特征列表\u到\u规范化]）
在此之后，
fit
您的缩放对象
scaler
将根据训练数据调整其内部参数（例如，
min
，
scale
等）

培训完成后，您希望在新记录上评估模型，只需应用
缩放器
，而无需将其与新数据相匹配：

val\u t=scaler.transform（验证数据）
要使用，首先需要将缩放器调整到训练数据的值。这是使用以下方法完成的（正如您已经做的）

scaler.fit\u变换（文件\ux[特征列表\u到\u规范化]）
在此之后，
fit
您的缩放对象
scaler
将根据训练数据调整其内部参数（例如，
min
，
scale
等）

培训完成后，您希望在新记录上评估模型，只需应用
缩放器
，而无需将其与新数据相匹配：

val\u t=scaler.transform（验证数据）