Lv3 | 전처리 | 수치형 데이터 정규화 MinMaxScaler()

의사결정 나무나, 랜덤포레스트 같은 '트리 기반의 모델' 들은 대소 비교를 통해서 구분하기 때문에, 숫자의 단위에 크게 영향을 받지 않습니다.
하지만, Logistic Regression, Lasso 등과 같은 '평활 함수 모델'들은 숫자의 크기와 단위에 영향을 많이 받습니다.
따라서, 수치형 데이터 정규화를 통해 모든 모델에 잘 어울리는 데이터를 만들어주고자 한다.
다양한 수치형 데이터 정규화 방법 중에서, 'Min-Max Scailing' 기법은 간단하다.
가장 작은 값을 0으로, 가장 큰 값은 1로 만들어주는 방법이다.
그리고 그 사이의 값들은 비율에 따라서 0~1 사이에 분포하게 됩니다.

# describe를 통해 "fixed acidity"의 데이터의 분포가 어떻게 생겼는지 짐작해 보세요
train.describe()

# seaborn의 displot을 통해 "fixed acidity"의 distplot을 그려 봅시다.
sns.distplot(train['fixed acidity'])

# MinMaxScaler를 "scaler"라는 변수에 지정해 봅시다.
scaler=MinMaxScaler()

# "scaler"를 학습시켜주세요
scaler.fit(train[['fixed acidity']])

# "scaler"를 통해 train의 "fixed acidity"를 바꾸어 "Scaled fixed acidity"라는 column에 저장해주세요
train['Scaled fixed acidity']=scaler.transform(train[['fixed acidity']])

# seaborn의 displot을 통해 "Scaled fixed acidity"의 distplot을 그려보세요
sns.distplot(train['Scaled fixed acidity'])