数据洗濯预处理赏罚入门完备指南

不必要在测试集长举办拟合，只举办调动。

sc_y = StandardScaler() 
y_train = sc_y.fit_transform(y_train) 

对付哑变量而言，是否必要举办缩放?

对付这个题目，有些人以为必要，有些则以为不必要。这取决于你对模子可表明性的垂青诚度。将全部数据缩放至统一量纲当然有甜头，但弱点是，这丢失了表明每个视察样本归属于哪个变量的便捷性。

对付 Y 呢?假如因变量是 0 和 1，那么并不必要举办特性缩放。这是一个具有明晰相干值的分类题目。但假如其取值范畴很是大，那么谜底是你必要做缩放。

恭喜你，你已经完成了数据预处理赏罚的事变!

通过少量的几行代码，你已经明确了数据洗濯和预处理赏罚的基本。毫无疑问，在数据预处理赏罚这一步中，你可以插手许多本身的设法：你也许会想怎样添补缺失值。思索是否缩放特性以及怎样缩放特性?是否引入哑变量?是否要对数据做编码?是否编码哑变量……有很是多必要思量的细节。此刻，你已经完全相识了这些，可以亲身下手试试了，筹备数据吧!

原文链接：

https://towardsdatascience.com/the-complete-beginners-guide-to-data-cleaning-and-preprocessing-2070b7d4c6d

【本文是51CTO专栏机构“呆板之心”的原创译文，微信公家号“呆板之心( id: almosthuman2014)”】

戳这里，看该作者更多好文

【编辑保举】

1. 仅需六步，从零实现呆板进修算法
2. 黑客慌了！一文全面解读收集安详中的呆板进修
3. 怎样缔造可信赖的呆板进修模子？先要领略不确定性
4. 呆板进修竞争着实是一场数据上的竞争
5. 还在为数据洗濯抓狂？这里有一个简质朴用的洗濯代码集

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!