Forwarded from آکادمی پایتون
This media is not supported in your browser
VIEW IN TELEGRAM
یادگیری ماشین
@python_easy_learn
@python_easy_learn
استاندارد سازی و نرمال سازی داده ها در پایتون
عموما در بیشتر مدلها نیازمند مقایسه داده های متغیرهای مختلف هستیم. برای مثال سهمی را در نظر بگیرید که در کانال 2000 تومان در حال معامله است و سهم دیگری در کانال 500 تومان. آیا می توان این دو داده را با یکدیگر مقایسه کرد؟ پاسخ منفی است چرا که این دو سهم به لحاظ مقیاس با یکدیگر برابر نیستند. استاندارد سازی داده کمک میکند که اهمیت آنها به واحد اندازهگیریشان بستگی نداشته باشد و میانگین آنها صفر (μ=0) و انحراف معیار نیز برابر با واحد (σ=۱) شود.
یکی دیگر از روشهای تغییر مقیاس، استفاده از روش نرمالسازی Min-Max است (نرمالسازی (Normalization)). به این ترتیب علاوه بر یکسان سازی مقیاس دادهها، کرانهای تغییر آنها نیز در بازه [0,1] خواهد بود.
استانداردسازی و نرمال سازی یکی از مهمترین ابزارهای کار با داده ها خصوصا در مدلهای مقایسه ای است.
@machine_learning2022
عموما در بیشتر مدلها نیازمند مقایسه داده های متغیرهای مختلف هستیم. برای مثال سهمی را در نظر بگیرید که در کانال 2000 تومان در حال معامله است و سهم دیگری در کانال 500 تومان. آیا می توان این دو داده را با یکدیگر مقایسه کرد؟ پاسخ منفی است چرا که این دو سهم به لحاظ مقیاس با یکدیگر برابر نیستند. استاندارد سازی داده کمک میکند که اهمیت آنها به واحد اندازهگیریشان بستگی نداشته باشد و میانگین آنها صفر (μ=0) و انحراف معیار نیز برابر با واحد (σ=۱) شود.
یکی دیگر از روشهای تغییر مقیاس، استفاده از روش نرمالسازی Min-Max است (نرمالسازی (Normalization)). به این ترتیب علاوه بر یکسان سازی مقیاس دادهها، کرانهای تغییر آنها نیز در بازه [0,1] خواهد بود.
استانداردسازی و نرمال سازی یکی از مهمترین ابزارهای کار با داده ها خصوصا در مدلهای مقایسه ای است.
@machine_learning2022