ml_algorithms/utils/preprocessing.py - master - LeonBlue/ML_algos_from_scratch_python

ml_algorithms/utils/preprocessing.py
172 строки5 KB
LeonBlue
Добавлены Jupyter ноутбуки для теории и визуализации алгоритмов, обновлены зависимости в requirements.txt, улучшены классы KMeans и LogisticRegression с методами для получения и установки параметров модели.
07 дек 2025, 01:03
07 дек 2025, 01:0380e326c
"""
Предобработка данных
"""

import numpy as np
from ..base.base_model import BaseModel


class StandardScaler(BaseModel):
    """
    Стандартизация признаков (z-score normalization)
    Преобразует данные так, чтобы среднее = 0, стандартное отклонение = 1
    """
    
    def __init__(self):
        super().__init__()
        self.mean_ = None
        self.std_ = None
    
    def fit(self, X, y=None):
        """
        Вычисление среднего и стандартного отклонения для каждого признака
        
        Parameters:
        -----------
        X : array-like, shape (n_samples, n_features)
            Данные для обучения
        y : None
            Не используется, для совместимости с API
        """
        X = self._validate_input(X)
        self.mean_ = np.mean(X, axis=0)
        self.std_ = np.std(X, axis=0)
        # Избегаем деления на ноль
        self.std_[self.std_ == 0] = 1.0
        self.is_fitted = True
        return self
    
    def transform(self, X):
        """
        Стандартизация данных
        
        Parameters:
        -----------
        X : array-like, shape (n_samples, n_features)
            Данные для преобразования
        
        Returns:
        --------
        X_scaled : array-like
            Стандартизированные данные
        """
        self._check_is_fitted()
        X = self._validate_input(X)
        return (X - self.mean_) / self.std_
    
    def fit_transform(self, X, y=None):
        """Обучение и преобразование данных"""
        return self.fit(X, y).transform(X)
    
    def predict(self, X):
        """Алиас для transform для совместимости с BaseModel"""
        return self.transform(X)

    def get_params(self):
        """
        Получение параметров модели
        
        Returns:
        --------
        params : dict
            Параметры модели
        """
        return {
            'mean_': self.mean_,
            'std_': self.std_
        }
    
    def set_params(self, **params):
        """
        Установка параметров модели
        
        Parameters:
        """
        self.mean_ = params.get('mean_', self.mean_)
        self.std_ = params.get('std_', self.std_)
        return self

class MinMaxScaler(BaseModel):
    """
    Масштабирование признаков в диапазон [0, 1]
    """
    
    def __init__(self, feature_range=(0, 1)):
        super().__init__()
        self.feature_range = feature_range
        self.min_ = None
        self.scale_ = None
    
    def fit(self, X, y=None):
        """
        Вычисление минимума и максимума для каждого признака
        
        Parameters:
        -----------
        X : array-like, shape (n_samples, n_features)
            Данные для обучения
        y : None
            Не используется, для совместимости с API
        """
        X = self._validate_input(X)
        self.min_ = np.min(X, axis=0)
        max_ = np.max(X, axis=0)
        scale_min, scale_max = self.feature_range
        self.scale_ = (scale_max - scale_min) / (max_ - self.min_)
        # Избегаем деления на ноль
        self.scale_[np.isinf(self.scale_)] = 1.0
        self.is_fitted = True
        return self
    
    def transform(self, X):
        """
        Масштабирование данных
        
        Parameters:
        -----------
        X : array-like, shape (n_samples, n_features)
            Данные для преобразования
        
        Returns:
        --------
        X_scaled : array-like
            Масштабированные данные
        """
        self._check_is_fitted()
        X = self._validate_input(X)
        scale_min, _ = self.feature_range
        return scale_min + (X - self.min_) * self.scale_
    
    def fit_transform(self, X, y=None):
        """Обучение и преобразование данных"""
        return self.fit(X, y).transform(X)
    
    def predict(self, X):
        """Алиас для transform для совместимости с BaseModel"""
        return self.transform(X)

    def get_params(self):
        """
        Получение параметров модели
        
        Returns:
        --------
        params : dict
            Параметры модели
        """
        return {
            'feature_range': self.feature_range,
            'min_': self.min_,
            'scale_': self.scale_
        }               
    
    def set_params(self, **params):
        """
        Установка параметров модели
        
        Parameters:
        """
        self.feature_range = params.get('feature_range', self.feature_range)
        self.min_ = params.get('min_', self.min_)
        self.scale_ = params.get('scale_', self.scale_)
        return self