KNN / 05 · EXERCICE
Les scalers de scikit-learn
Un scaler possède lui aussi une étape d’apprentissage : fit estime les paramètres de transformation.
fit_transform sur l’entraînement combine les deux opérations. transform sur le test réutilise les paramètres appris. Un fit_transform séparé sur le test créerait un autre repère et exploiterait les données de test.
Exemple expliqué
- 1
scaler = StandardScaler() Z_train = scaler.fit_transform(X_train) Z_test = scaler.transform(X_test)Standardisation avec les statistiques de l’entraînement. StandardScaler utilise ddof=0.
- 2
minmax = MinMaxScaler() M_train = minmax.fit_transform(X_train) M_test = minmax.transform(X_test)Même séparation pour min–max.
- 3
scaler.mean_ scaler.scale_Les paramètres appris sont disponibles sous forme d’attributs, comme coef_ pour la régression.
Code à compléter
Produire Z_train, Z_test, M_train et M_test avec les deux scalers ; afficher les deux premières lignes de test transformées.
Saisie autonome · crédit complet après réussite
Le résultat apparaîtra ici.
Session Python
Les variables restent disponibles entre les pages. Un rechargement efface les variables ; le code et l’utilisation de l’aide restent enregistrés dans cet onglet.