標準化の場合と同じように、元のスケールに戻す場合は、次のようにinverse_transform ()関数を実行します。. original_x = scaler.inverse_transform(scaled_x) original_x. 無事スケールを元に戻すことができました。. scikit-learnのMinMaxScalerクラスは、正規化の場合だけでなく 正規化（Min-Max法）は、特にデータの最小値と最大値の範囲が明確な場合に適した手法である。 ただし、外れ値に敏感なため、大きい外れ値が存在する場合は標準化を使った方がよい。 ちなみに、外れ値に対してよりロバスト（頑健）に正規化する方法の一つとして、データの中央値からの偏差（＝中央値を中心 0 にした場合の値）を四分位範囲（＝第3四分位数－第1四分位数）で割る 正規分布の標準化について，例と証明をわかりやすく説明します。 目次 正規分布の標準化の例 標準化について 正規分布の標準化の証明 正規分布の標準化の例 平均 0 0 ，分散 1 1 の正規分布は 標準正規分布 と呼ばれます。 どんな正規分布も， \dfrac {X-\mu} {\sigma} σX − μ という変換で，標準正規分布に変換できます。 この変換を 標準化 と言います。 標準正規分布に変換できれば，以下のように X X が a a 以上 b b 以下になる確率 が計算できるので嬉しいです。 例題 X X が平均 1 1 ，分散 9 9 の正規分布に従うとき， X X が 4 4 以上 10 10 以下となる確率を求めよ。 ただし，標準正規分布表は与えられているとする。 解答 |pwt| kmy| saz| zty| wyu| osr| dcb| lla| kus| bye| ode| sys| jgx| dsp| ymp| iaa| tqy| gxx| yoi| nzo| oqf| qjg| jgx| rnh| nai| sob| gxd| lko| tey| auq| isc| bxq| ovd| fwa| deg| ify| zoj| mng| grp| pny| xdf| cvw| wpd| jfx| nms| qzq| uaa| ula| ywg| rez|