Essayant de normaliser les données d'entrée qu'une matrice d'images dans une moyenne de 0 et une plage de -0,5 et 0,5 en pythonnormalisation des données d'entraînement de sorte qu'il ait une moyenne de 0 et une plage entre -0,5 et 0,5
def normalise(image):
return 0.1 + (((image_data-0)*(0.9-0.1))/(255 - 0))
essayait d'utiliser l'échelle min-max, mais mauvaise réponse je reçois près de 0,1 pour min et max
Vous voulez mise à l'échelle. Voici par exemple:
from sklearn import preprocessing
import numpy as np
data = np.array([70, -5, 5, 3, 2, 1])
scale = preprocessing.minmax_scale(data, feature_range=(-0.5, 0.5))
print scale
sur:
[ 0.5 -0.5 -0.36666667 -0.39333333 -0.40666667 -0.42 ]
Cela ne signifie pas zéro. Ce que l'OP demande n'est pas possible en général. – Tobias
@TobiasR Cela est vrai, mais ses données pourraient être une vague de péché. Je n'ai pas vu d'échantillon posté :) – anshanno
Cela semble tout à fait raison, mais je peux avoir à remodeler ma matrice comme sa forme est (39209, 32, 32, 3) et je reçois "Tableau trouvé avec dim 4.MinMaxScaler attendu <= 2 " – kevbuntu
Qu'est-ce que vous voulez faire est un cas particulier de « normalisation ». la normalisation mettra à l'échelle vos données fram -1 à 1. Et puis vous pouvez diviser tous vos articles par 2. Vous voulez vous mettre à l'échelle variable de -0,5 à 0,5. Alors ce que vous pouvez faire est:
from sklearn.preprocessing import normalize
c = normalize(yourData)/2
Par exemple, normalize([1,2,3,5, -5, 0,6])/2 donnera:
[[ 0.3 0. -0.25 0.25 0.15 0.1 0.05]]
thankyou, vos deux réponses sont correctes et conduis-moi au bon endroit, mais je devais faire face à la première colonne donc cela a fonctionné mieux pour moi
def normalize(X):
max=0.5
min=-0.5
X_std = (X - X.min(axis=0))/(X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min
return X_scaled
Bien que la moyenne, donc il devient nul
est pas exactement est que le tour de code assert() Quel est votre question? –
Jetez un oeil à ceci: http://scikit-learn.org/stable/modules/preprocessing.html#scaling-features-to-a-range – anshanno
Mon intuition est que ce n'est pas possible, sauf si la distribution de vos données est symétrique. Si c'est le cas, il suffit de le rabaisser d'abord, puis de le mettre à l'échelle. x '= x-moyenne (x) et x' '= -0,5 + (x' + 0,5)/(max (x ') - min (x')) – Tobias