Давайте начнем с понимания необходимости нормализации и того, что это такое. Допустим, вам дан набор данных о ценах на жилье с n характеристиками. Некоторые из его характеристик - это площадь, количество комнат, количество этажей, год постройки, материал крыши и т. Д. и один столбец с надписью продажной цены. Если вы посмотрите на значения функции «Площадь», они могут варьироваться от сотен до тысяч, например, 800 кв. Футов, 1500 кв. Футов, 1200 кв. Футов. А значения признака - «Нет...

Стандартизация: Стандартизация — это еще один метод масштабирования, при котором значения центрируются вокруг среднего значения с единичным стандартным отклонением. Это означает, что среднее значение атрибута становится равным нулю, а результирующее распределение имеет единичное стандартное отклонение . Зачем нам нужно преобразование и масштабирование функций? Часто у нас есть наборы данных, в которых разные столбцы имеют разные единицы измерения — например, один столбец может..

В этой статье я хотел бы рассказать об одной из самых важных, но наиболее забытых частей машинного обучения, а именно о масштабировании функций. Пока мы работаем над подготовкой данных или EDA (исследовательским анализом данных), мы уделяем много внимания всем переменным/функциям, которые у нас есть, мы обрабатываем эти функции на наличие выбросов или отсутствующих значений, мы, вероятно, объединяем несколько функций, чтобы создать новую как часть нашей техники извлечения данных, но один..

MinMaxScaler против StandardScaler против RobustScaler Масштабирование функций - это процесс нормализации диапазона функций в наборе данных. Реальные наборы данных часто содержат функции, которые различаются по степени величины, диапазону и единицам измерения. Следовательно, чтобы модели машинного обучения интерпретировали эти функции в одном масштабе, нам необходимо выполнить масштабирование функций. В мире науки мы все знаем, как важно сравнивать яблоки с яблоками, и все же..