[Scikit Learn] Min-Max Scaling

저번 시간에 본 Standard Scaling에 이어서

 

오늘은 Min-Max Scaling을 공부해보겠습니다.

 

스케일링을 하는 이유는 앞선 포스팅인

2022.05.10 - [데이터분석 공부/ML | DL] - [Scikit Learn] Standard Scaling

[Scikit Learn] Standard Scaling

이 포스팅을 참고해주세요!

 

이제 본격적으로 Min-Max Scaling을 알아보겠습니다.

 

 

 

 

Min-Max Scaling

Min-Max Scaling은 데이터의 값에서 데이터의 최솟값을 뺀 것을

 

최댓값에서 최솟값을 뺀 값으로 나눠줍니다.

 

데이터의 값들이 모두 같지 않으면 분모는 항상 양수일 것입니다.

 

분자를 살펴보면 데이터의 값이 최댓값이면 분모 분자가 같아져 1이 됩니다.

 

데이터의 값이 최솟값이면 분자가 0이어서 0이 되죠.

 

따라서 Min-Max Scaling은 0에서 1 사이로

 

데이터를 스케일링해주는 특징이 있습니다.

 

Min-Max Scaling은 Standard Scaling과 같이 이상치에 민감하다는 특징이 있지만

 

Standard Scaling과 함께 가장 자주 쓰이는 스케일링이기도 합니다.

 

이제 Python에서 Min-Max Scaling을 진행해보겠습니다.

 

 

 

 

라이브러리 불러오기

import numpy as np
import pandas as pd
import seaborn as sns
import sklearn

저번 포스팅에서와 똑같이 라이브러리를 불러왔습니다.

 

데이터도 마찬가지로 mpg 데이터를 사용하겠습니다.

 

 

 

 

데이터 불러오기 및 정제하기

mpg = sns.load_dataset('mpg')

mpg.head()

마찬가지로 스케일링을 하기 위해 수치형 변수와 범주형 변수를 분리시키겠습니다.

 

numerical_mpg = mpg.dtypes[mpg.dtypes != "object"].index.tolist()

numerical_mpg

>>> ['mpg',
     'cylinders',
     'displacement',
     'horsepower',
     'weight',
     'acceleration',
     'model_year']

 

mpg = mpg[numerical_mpg]

mpg.head()

이제 수치형 변수만 남은 것을 확인할 수 있습니다.

 

이제 요약 통계량을 살펴볼게요.

 

mpg.describe()

이제 본격적으로 Min-Max Scaling을 시작해볼게요.

 

 

 

 

수식을 통한 Min-Max Scaling

fmmpg = (mpg - np.min(mpg)) / (np.max(mpg) - np.min(mpg))

formula mpg의 약자인 fmmpg에 위의 수식을 넣어줬습니다.

 

numpy를 이용하여 데이터 값을 최솟값으로 뺐고

 

그것을 최댓값에서 최솟값을 뺀 것으로 나눠줬습니다.

 

fmmpg.head()

값이 0과 1 사이에 존재하고 벗어나는 값이 존재하지 않습니다.

 

요약 통계량을 살펴볼게요.

 

fmmpg.describe()

min과 max를 살펴보면 각각 0과 1인 것을 보아

 

수식을 통한 Min-Max Scaling이 잘 된 것을 확인할 수 있습니다.

 

이제 Scikit Learn을 통해 Min-Max Scaling을 진행해볼게요.

 

 

 

 

Scikit Learn을 활용한 Min-Max Scaling

from sklearn.preprocessing import MinMaxScaler

mMscaler = MinMaxScaler()

앞서 불러온 sklearn의 preprocessing 패키지에서

 

MinMaxScaler를 불러왔습니다.

 

그리고 mMscaler에 할당해줬습니다.

 

skmpg = mMscaler.fit_transform(mpg)

이후 sklearn mpg의 약자인 skmpg에 Min-Max Scaling을 할 mpg데이터를 할당했습니다.

 

이제 Min-Max Scaling이 제대로 됐는지 확인해볼게요.

 

skmpg.describe() # sklearn 사용하면 numpy.ndarray

마찬가지로 sklearn을 사용한 skmpg 데이터가 데이터 프레임 형식이 아닙니다.

 

따라서 pandas를 활용하여 데이터 프레임 형식으로 바꿔주겠습니다.

 

skmpg = pd.DataFrame(skmpg, columns = mpg.columns)

이제 head와 describe를 통해

 

제대로 스케일링이 됐는지 살펴볼게요.

 

skmpg.head()

앞서 수식을 통해 Min-Max Scaling을 한 결과와 똑같이 스케일링이 된 것을 볼 수 있습니다.

 

skmpg.describe()

요약 통계량도 마찬가지네요.

 

다음에는 Min-Max Scaling과 약간 유사한 면이 있는

 

MaxAbs Scaling을 살펴보겠습니다!