質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

1回答

3895閲覧

python データのスケールについて

---stax---

総合スコア148

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2018/08/17 08:47

データのスケーリングについて教えてください。

資料を見ながらscikit-learnのMinMaxScalerを使ってデータを0から1の範囲にスケーリングするという内容を試してみました。
サンプルのデータセットに対して実行しているしてみて、訓練データが0~1の範囲で変換されていることが確認できました。

ただ、テストデータに対して同様の処理をすると0~1の範囲を超えており1.3のような値が出ている特徴量が含まれていました。
すべてのデータが0~1の間に入ると思っていたのですが違うのでしょうか?

また、訓練データをスケーリングする際は以下のようにfitメソッドに訓練データを渡しているのですが、
テストデータに対してスケーリングする際はtransformに渡しているだけでした。
fitメソッドにテストデータを渡さないことが疑問だったのですが、訓練データ、テストデータで別々にしないのはどういう理由があるからでしょうか?

的外れな質問で申し訳ありませんがアドバイス宜しくお願い致します。

python

1from sklearn.preprocessing import MinMaxScaler 2 3scaler = MinMaxScaler() 4 5# 訓練データスケーリング 6scaler.fit(X_train) 7 8X_train_scaled = scaler.transform(X_train) 9 10print(X_train_scaled.shape) 11print(X_train.min(axis=0)) 12print(X_train.max(axis=0)) 13print(X_train_scaled.min(axis=0)) 14print(X_train_scaled.max(axis=0)) 15print(X_train_scaled) 16 17# テストデータスケーリング 18X_test_scaled = scaler.transform(X_test) 19print('X_test_scaled min : \n{}'.format(X_test_scaled.min(axis=0))) 20print('X_test_scaled max : \n{}'.format(X_test_scaled.max(axis=0)))

コード全文

python

1import numpy as np 2import matplotlib.pyplot as plt 3import pandas as pd 4import mglearn 5from sklearn.model_selection import train_test_split 6from sklearn.ensemble import GradientBoostingClassifier 7from sklearn.datasets import load_breast_cancer 8 9cancer = load_breast_cancer() 10 11X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, random_state=42) 12 13print(X_train.shape) 14print(X_test.shape) 15print(y_train.shape) 16print(y_test.shape) 17 18from sklearn.preprocessing import MinMaxScaler 19 20scaler = MinMaxScaler() 21 22# 訓練データスケーリング 23scaler.fit(X_train) 24 25X_train_scaled = scaler.transform(X_train) 26 27print(X_train_scaled.shape) 28print(X_train.min(axis=0)) 29print(X_train.max(axis=0)) 30print(X_train_scaled.min(axis=0)) 31print(X_train_scaled.max(axis=0)) 32print(X_train_scaled) 33 34# テストデータスケーリング 35X_test_scaled = scaler.transform(X_test) 36print('X_test_scaled min : \n{}'.format(X_test_scaled.min(axis=0))) 37print('X_test_scaled max : \n{}'.format(X_test_scaled.max(axis=0))) 38 39

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

たとえば

[-0.8, -0.2, 0.3, 1.2]

というデータでfitさせたとして(ここでは1次元だけ見ていると思ってください)、

  1. 最小値は-0.8、最大値は1.2なのでデータの最小値から最大値までのスケールは2。なので2で割り、以下のデータを得る

[-0.4 , -0.1 , 0.15, 0.6]

  1. 上の結果の最小値は-0.4なので、0.4を足して0~1の範囲に収め、次のデータを得る

[0. , 0.3 , 0.55, 1. ]

という処理をしている訳ですね。

だから、たとえばtransformの際に-1とか1.4とか2が来れば、はみ出ます。

テストデータを渡す際にfitさせないのは、後続のモデルの都合を考えればわかるかと。

例として何らかの回帰モデルを考えて、モデル全体はたとえば80ならば123と予想するものだったとします。

MinMaxScalerを通して、80がたとえば0.4になったとしましょう。後ろのモデルは0.4なら123にすると学習します。

この0.4というのは、学習データを基準にしてfitしたMinMaxScalerの出力する数値です。テストデータに対してMinMaxScalerをfitさせてしまうと、最小値および最大値が変わって、また異なった変換になってしまいます。

80が0.4にならないということですね。テストデータにもたまたま80が含まれていたとして、これがテストデータにfitさせたせいで0.37とか0.6とかになってしまうと、モデル全体で予測が狂います。

なのでテストデータにfitさせてはいけません。

投稿2018/08/17 10:12

編集2018/08/17 10:34
hayataka2049

総合スコア30933

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

---stax---

2018/08/21 05:46

回答ありがとうございます。 返答遅くなり申し訳ありません。 訓練データを基準にしてテストデータを変換するから0~1の間に値が当てはまらないケースもある、という解釈で間違いないでしょうか? テストデータに対してfitさせないのも同様で、テストデータに対してfitさせた場合基準が変わる(データ自体が変わってしまう)ということですね。
hayataka2049

2018/08/21 05:54

そういうことでいいとおもいます
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問