×
![]()
| Pozice | Doména | Strana | Akce |
|---|---|---|---|
| 1 | scikit-learn.org | /stable/modules/gene... | |
|
Úplná adresa URL
Titul
StandardScaler — scikit-learn 1.7.1 documentation
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
Standardize features by removing the mean and scaling to unit variance . The standard score of a sample x is calculated as |
|||
| 2 | datafinder.ru | /products/standardsc... | |
|
Úplná adresa URL
Titul
StandardScaler в машинном обучении - DataFinder
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
В машинном обучении StandardScaler (стандартный масштабатор ) используется для изменения размера распределения значений так, чтобы среднее значение наблюдаемых ... |
|||
| 3 | scikit-learn.ru | /stable/modules/prep... | |
|
Úplná adresa URL
Titul
6.3. Предварительная обработка данных
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
Модуль preprocessing предоставляет служебный класс StandardScaler , который представляет собой быстрый и простой способ выполнить следующую операцию с набором ... |
|||
| 4 | dmitrymakarov.ru | /data/transform/ | |
|
Úplná adresa URL
Titul
Преобразование данных. Часть 1 - Машинное обучение
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
Преобразование количественных данных предполагает масштабирование признаков, а также нелинейную трансформацию количественных переменных. |
|||
| 6 | reddit.com | /r/pythontips/commen... | |
|
Úplná adresa URL
Titul
Что такое StandardScaler() в машинном обучении, как и ...
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
StandardScaler используется для стандартизации входных данных таким образом, чтобы обеспечить сбалансированный масштаб для точек данных, ... |
|||
| 7 | digitalocean.com | /community/tutorials... | |
|
Titul
Using StandardScaler() Function to Standardize Python Data
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
3 авг. 2022 г. — In this article, we will be focusing on one of the most important pre-processing techniques in Python - Standardization using StandardScaler() function . |
|||
| 8 | spark.apache.org | /docs/latest/api/pyt... | |
|
Úplná adresa URL
Titul
StandardScaler — PySpark 4.0.0 documentation - Apache Spark
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
Standardizes features by removing the mean and scaling to unit variance using column summary statistics on the samples in the training set. |
|||
| 9 | bigdataschool.ru | /blog/data-normaliza... | |
|
Titul
Что такое нормализация данных
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
24 окт. 2020 г. — StandardScaler в PySpark подразумевает приравнивание среднего значения к нулю и/или приравнивание стандартного отклонения к единице. В отличие ... |
|||
| 10 | ml.dask.org | /modules/generated/d... | |
|
Titul
dask_ml.preprocessing.StandardScaler
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
Standardize features by removing the mean and scaling to unit variance. The standard score of a sample x is calculated as |
|||
| 11 | papers.probabl.ai | /the-standardscaler-... | |
|
Úplná adresa URL
Titul
The StandardScaler is not standard - Papers -
Poslední aktualizace
N/A
Autorita stránky
N/A
Provoz:
N/A
Zpětné odkazy:
N/A
Sociální podíly:
N/A
Doba načítání:
N/A
Náhled úryvku:
5 сент. 2024 г. — A very popular method is the StandardScaler from scikit-learn. It works by subtracting the mean from every column and dividing by the variation . |
|||