Neue Daten skalieren und transformieren

Feature Engineering für Machine Learning in Python

Robet O'Callaghan

Director of Data Science, Ordergroove

Skalierer aus dem Training wiederverwenden

scaler = StandardScaler()

scaler.fit(train[['col']])

train['scaled_col'] = scaler.transform(train[['col']])

# FIT SOME MODEL
# ....

test = pd.read_csv('test_csv')

test['scaled_col'] = scaler.transform(test[['col']])

Transformationen aus dem Training wiederverwenden

train_mean = train[['col']].mean()
train_std = train[['col']].std()

cut_off = train_std * 3
train_lower = train_mean - cut_off
train_upper = train_mean + cut_off

# Trainingsdaten subsetten

test = pd.read_csv('test_csv')

# Testdaten subsetten
test = test[(test[['col']] < train_upper) & 
              (test[['col']] > train_lower)]

Warum nur Trainingsdaten verwenden?

Data Leakage: Verwendung von Daten, auf die du bei der Bewertung der Modellleistung keinen Zugriff hast

Data Leakage vermeiden!

Feature Engineering für Machine Learning in Python