前言

　sklearn是python的重要機(jī)器學(xué)習(xí)庫，其中封裝了大量的機(jī)器學(xué)習(xí)算法，如：分類、回歸、降維以及聚類；還包含了監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、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(shí)間。因而，使其成為了廣泛應(yīng)用的重要的機(jī)器學(xué)習(xí)庫。

sklearn是一個(gè)無論對于機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)都必不可少的重要的庫，里面包含了關(guān)于機(jī)器學(xué)習(xí)的幾乎所有需要的功能，因?yàn)閟klearn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(xué)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(shí)例入手，在讀者學(xué)習(xí)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(xì)致的講解sklearn庫。本博客中的實(shí)例幾乎都來自我自己學(xué)習(xí)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(xué)習(xí)之前做的數(shù)據(jù)預(yù)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(luò)模型學(xué)習(xí)起來更快達(dá)到最佳點(diǎn)，如果不進(jìn)行歸一化的話神經(jīng)網(wǎng)絡(luò)可能會花費(fèi)很長時(shí)間來收斂（也就是到達(dá)最佳點(diǎn)）甚至可能最終也不會收斂。同時(shí)，數(shù)據(jù)歸一化也可以大大增加神經(jīng)網(wǎng)絡(luò)中可學(xué)習(xí)參數(shù)的精度，從而達(dá)到更好的學(xué)習(xí)效果。下面就是MinMaxScaler函數(shù)的實(shí)例應(yīng)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(yùn)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！