Ich habe den scikit-learn Min-Max-Scaler mit einem "manuellen" Ansatz mit NumPy von seinem preprocessing
Modul verglichen. Ich bemerkte jedoch, dass das Ergebnis etwas anders ist. Hat jemand eine Erklärung dafür?scikit-learn MinMaxScaler liefert etwas andere Ergebnisse als eine NumPy-Implementierung
der folgenden Gleichung für Min-Max-Skalierung:
, die die gleiche sein sollte wie die Scikit-Learn ein: (X - X.min(axis=0))/(X.max(axis=0) - X.min(axis=0))
ich verwende beide Ansätze wie folgt:
def numpy_minmax(X):
xmin = X.min()
return (X - xmin)/(X.max() - xmin)
def sci_minmax(X):
minmax_scale = preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True)
return minmax_scale.fit_transform(X)
Auf einer Stichprobe:
import numpy as np
np.random.seed(123)
# A random 2D-array ranging from 0-100
X = np.random.rand(100,2)
X.dtype = np.float64
X *= 100
Die Ergebnisse sind etwas anders:
from matplotlib import pyplot as plt
sci_mm = sci_minmax(X)
numpy_mm = numpy_minmax(X)
plt.scatter(numpy_mm[:,0], numpy_mm[:,1],
color='g',
label='NumPy bottom-up',
alpha=0.5,
marker='o'
)
plt.scatter(sci_mm[:,0], sci_mm[:,1],
color='b',
label='scikit-learn',
alpha=0.5,
marker='x'
)
plt.legend()
plt.grid()
plt.show()
Das ist toll, danke! – Sebastian