normalizer = MinMaxScaler()

MinMaxScaler是一种常用的数据归一化方法，在机器学习中经常被用来将数据缩放到一个特定的范围。它通过对原始数据进行线性变换，将数据缩放到给定的最小值和最大值之间。这样做的好处是可以消除不同特征之间的量纲差异，使得模型更加稳定和可靠。

具体使用方法如下：

1. 导入MinMaxScaler类：

from sklearn.preprocessing import MinMaxScaler

2. 创建MinMaxScaler对象：

normalizer = MinMaxScaler()

3. 调用fit_transform方法对数据进行归一化：

normalized_data = normalizer.fit_transform(data)

其中，data是一个二维数组或矩阵，表示原始数据集。

4. 可选步骤，如果需要将归一化后的数据还原回原始数据范围：

original_data = normalizer.inverse_transform(normalized_data)

这里的normalized_data是归一化后的数据集。

需要注意的是，MinMaxScaler默认将数据缩放到0和1之间。如果需要将数据缩放到其他范围，可以使用MinMaxScaler类的feature_range参数来指定范围，例如：

normalizer = MinMaxScaler(feature_range=(0, 10))

这样会将数据缩放到0和10之间。

请注意，以上是一种常见的归一化方法，根据具体情况，你可能需要选择适合你数据的其他归一化方法。