[英]sklearn StandardScaler returns all zeros
我有一个从以前的模型中保存的 sklearn StandardScaler
并且正在尝试将其应用于新数据
scaler = myOldStandardScaler
print("ORIG:", X)
print("CLASS:", X.__class__)
X = scaler.fit_transform(X)
print("SCALED:", X)
我有三个观察结果,每个观察结果有 2000 个特征。 如果我分别运行每个观察,我会得到一个全零的输出。
ORIG: [[ 3.19029839e-04 0.00000000e+00 1.90985485e-06 ..., 0.00000000e+00
0.00000000e+00 0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[ 0. 0. 0. ..., 0. 0. 0.]]
但是如果我将所有三个观察结果附加到一个数组中,我就会得到我想要的结果
ORIG: [[ 0.00000000e+00 8.69737728e-08 7.53361877e-06 ..., 0.00000000e+00
0.00000000e+00 0.00000000e+00]
[ 9.49627142e-04 0.00000000e+00 0.00000000e+00 ..., 0.00000000e+00
0.00000000e+00 0.00000000e+00]
[ 3.19029839e-04 0.00000000e+00 1.90985485e-06 ..., 0.00000000e+00
0.00000000e+00 0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[-1.07174217 1.41421356 1.37153077 ..., 0. 0. 0. ]
[ 1.33494964 -0.70710678 -0.98439142 ..., 0. 0. 0. ]
[-0.26320747 -0.70710678 -0.38713935 ..., 0. 0. 0. ]]
我已经看到了这两个问题:
两者都没有公认的答案。
我试过:
np.float32
和np.float64
(仍然全为零)np.matrix
(再次,全零) 我错过了什么? fit_transform
的输入是相同的类型,只是大小不同。
如何让 StandardScaler 与单个观察一起工作?
当您尝试将StandardScaler
对象的fit_transform
方法应用于大小为 (1, n) 的数组时,您显然会得到全零,因为对于每个数组数,您要从中减去该数的平均值,该数等于 number 并除以 std这个数字。 如果要正确缩放数组,则应将其转换为大小为 (n, 1) 的数组。 你可以这样做:
import numpy as np
X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.fit_transform(X[:, np.newaxis])
在这种情况下,您可以通过一个对象的功能获得一个对象的标准缩放,这不是您要找的。
如果fit_transform
3 个对象的一个特征进行缩放,则应将大小为 (3, 1) 的数组传递给fit_transform
方法,其中包含与每个对象对应的特定特征的值。
X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.fit_transform(X[:, np.newaxis]) # you should get
# array([[-1.07174217], [1.33494964], [-0.26320747]]) you're looking for
如果你想使用已经拟合的 StandardScaler 对象,你不应该使用fit_transform
方法,因为它用新数据重新拟合对象。 StandardScaler
有transform
方法,它适用于单一观察:
X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.transform(X.reshape(1, -1))
我有同样的问题。 大小为 (1, n) 的数组问题的另一个(更简单)解决方案是转置矩阵,它的大小为 (n, 1)。
X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.transform(X.T)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.