Стандартизация: *Стандартизация — это один из видов масштабирования функций. * Это также называется нормализацией Z-оценки. * Стандартизация в основном помогает вам масштабировать функции на основе «стандартного нормального распределения», что означает, что ваш вывод должен заканчиваться этими значениями. Где среднее=1 И стандартное отклонение =0 ФОРМУЛА: xi тире = (xi - среднее значение)/стандартное отклонение. НОРМАЛИЗАЦИЯ: * Нормализация также является одним из..

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 процессе обучения машинному обучению вы встретите слово «стандартизация», «стандартизация столбцов» или «среднее центрирование плюс масштабирование», но какова цель импорта стандартного скаляра, как показано ниже. from sklearn.preprocessing import StandardScalar Что именно стандартизировать ?? Как стандартизировать и зачем это делать данные перед подгонкой модели машинного обучения? Что стандартизировать в первую очередь? В этом посте вы узнаете четкое представление о..

Почему мне следует стандартизировать или нормализовать? Такие термины, как масштабирование функций, нормализация и стандартизация, очень распространены в мире науки о данных и машинного обучения. Эти термины могут сбивать с толку вначале, когда кто-то впервые пытается ориентироваться в водах машинного обучения. Цель этой статьи - развить понимание этих терминов. Что, когда и зачем использовать масштабирование функций? Масштабирование функций - это метод преобразования данных,..

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..