machine-learning - 如何使用 MinMaxScaler 一次性标准化所有训练样本

Question

我有 1320 个训练样本(海面温度)，每个样本都是一个二维数组(160,320)，因此最终数组的形状为(1320,160,320)。我想使用 MinMaxScaler() 将它们标准化为 0 到 1 之间的值。我收到错误“找到带有暗淡 3 的数组。MinMaxScaler 预期 <= 2。”。我的代码如下。我可以循环遍历所有 1320 个样本，将它们一一标准化，但我想知道是否有一种方法可以对所有样本进行标准化，因为每个样本的 Max 和 Mix 并不相同。

scaler = prep.MinMaxScaler()
sst = scaler.fit_transform(sst)

Answer 1

据我所知，仅使用 MinMaxScaler() 并不能真正做到这一点。 np.apply_along_axis 也不会很有用，因为您想在 2D 切片上应用最小-最大缩放器。一种解决方案可能是这样的:

import numpy as np
a = np.random.random((2, 3, 3))

def customMinMaxScaler(X):
    return (X - X.min()) / (X.max() - X.min())

np.array([customMinMaxScaler(x) for x in a])  

但我想这不会比迭代样本快多少。