sklearn.preprocessing.MaxAbsScaler

class sklearn.preprocessing.MaxAbsScaler

Escala cada característica por su valor absoluto máximo.

Este estimador escala y traduce cada característica individualmente de forma que el valor absoluto máximo de cada característica en el conjunto de entrenamiento sea 1.0. No desplaza/centra los datos, por lo que no destruye la dispersión.

Este escalador también puede aplicarse a matrices CSR o CSC dispersas.

Nuevo en la versión 0.17.

Parámetros

copybool, default=True

Establécelo en False para realizar el escalamiento in place y evitar una copia (si la entrada ya es un arreglo de numpy).

Atributos

scale_ndarray de forma (n_features,)

Escalamiento relativo de los datos por característica.

Nuevo en la versión 0.17: Atributo scale_.

max_abs_ndarray de forma (n_features,)

Valor absoluto máximo por característica.

n_samples_seen_int

El número de muestras procesadas por el estimador. Se restablecerá en las nuevas invocaciones a fit, pero se incrementa a través de las invocaciones a partial_fit.

Ver también

maxabs_scale

Función equivalente sin la API del estimador.

Notas

Los NaNs son tratados como valores faltantes: no se tienen en cuenta en el ajuste y se mantienen en la transformación.

Para una comparación de los diferentes escaladores, transformadores y normalizadores, consulta examples/preprocessing/plot_all_scaling.py.

Ejemplos

>>> from sklearn.preprocessing import MaxAbsScaler
>>> X = [[ 1., -1.,  2.],
...      [ 2.,  0.,  0.],
...      [ 0.,  1., -1.]]
>>> transformer = MaxAbsScaler().fit(X)
>>> transformer
MaxAbsScaler()
>>> transformer.transform(X)
array([[ 0.5, -1. ,  1. ],
       [ 1. ,  0. ,  0. ],
       [ 0. ,  1. , -0.5]])

Métodos

fit	Calcula el valor absoluto máximo que se utilizará para el escalamiento posterior.
fit_transform	Ajusta a los datos y luego los transforma.
get_params	Obtiene los parámetros para este estimador.
inverse_transform	Reduce los datos a la representación original
partial_fit	Cálculo en línea del valor absoluto máximo de X para su posterior escalado.
set_params	Establece los parámetros de este estimador.
transform	Escala los datos

fit()

Calcula el valor absoluto máximo que se utilizará para el escalamiento posterior.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Los datos utilizados para calcular el mínimo y el máximo por característica usados para el posterior escalamiento a lo largo del eje de las características.

yNone

Ignorado.

Devuelve

selfobject

Escalador ajustado.

fit_transform()

Ajusta a los datos y luego los transforma.

Ajusta el transformador a X e y con los parámetros opcionales fit_params y devuelve una versión transformada de X.

Parámetros

Xarray-like de forma (n_samples, n_features)

Muestras de entrada.

yarray-like de forma (n_samples,) o (n_samples, n_outputs), default=None

Valores objetivo (None para transformaciones no supervisadas).

**fit_paramsdict

Parámetros de ajuste adicionales.

Devuelve

X_newarreglo ndarray de forma (n_samples, n_features_new)

Arreglo transformado.

get_params()

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True

Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict

Los nombres de los parámetros mapeados a sus valores.

inverse_transform()

Reduce los datos a la representación original

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Los datos que deben ser transformados de nuevo.

Devuelve

X_tr{ndarray, sparse matrix} de forma (n_samples, n_features)

Arreglo transformado.

partial_fit()

Cálculo en línea del valor absoluto máximo de X para su posterior escalado.

Todo X se procesa como un único lote. Esto está pensado para casos en los que fit no es factible debido a un número muy grande de n_samples o porque X se lee de un flujo continuo.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Los datos utilizados para calcular la media y la desviación estándar que se usan para el posterior escalamiento a lo largo del eje de las características.

yNone

Ignorado.

Devuelve

selfobject

Escalador ajustado.

set_params()

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict

Parámetros del estimador.

Devuelve

selfinstancia del estimador

Instancia del estimador.

transform()

Escala los datos

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Los datos que deben ser escalados.

Devuelve

X_tr{ndarray, sparse matrix} de forma (n_samples, n_features)

Arreglo transformado.

Ejemplos utilizando sklearn.preprocessing.MaxAbsScaler

Compara el efecto de los diferentes escaladores en los datos con los atípicos