Apprendimento automatico comprendere i fini del centratura e della scalatura

Apprendimento automatico comprendere centratura e scalatura

Utilizzo dei trasformatori (MinMaxScaler, StandardScaler, RobustScaler)

Introduzione

Questo articolo introduce i concetti di centratura e ridimensionamento. Con un caso d’uso reale, spiego i vantaggi di centrare e ridimensionare i dati.

Approfondiamo i calcoli e le spiegazioni semplici guardando i metodi preconfigurati di Scikit-Learn.

Tecnicamente, confrontiamo MinMaxScaler, StandardScaler e RobustScaler. Fanno parte dei metodi dei trasformatori che facilitano la pre-elaborazione.

Alla fine, comprenderai lo scopo di centrare e ridimensionare i dati e sarai pronto a utilizzare i trasformatori preconfigurati di Scikit-Learn.

• Aumentare l’efficienza matematica Navigare nelle operazioni degli array Numpy
• Può l’IA veramente ripristinare i dettagli del viso da immagini di bassa qualità? Incontra DAEFR un framework a doppio ramo per una qualità migliorata
• I migliori potenziatori e ingranditori di immagini AI nel 2023

Cos’è la centratura e il ridimensionamento?

Comprendere i concetti

Il ridimensionamento trasforma i dati in un intervallo o scala specifica, mentre la centratura comporta lo spostamento dei punti dati in modo che la loro media diventi zero. Di seguito un esempio.

Puoi vedere l’effetto del ridimensionamento e della centratura dei dati. Ora, a destra, i dati sono centrati intorno a 0 e si presentano su una scala più breve (assi X e Y).

Vantaggi

Ci sono diversi vantaggi nel centrare e ridimensionare i dati, i più importanti per il ridimensionamento:

• Migliorare le prestazioni degli algoritmi: Gli algoritmi che utilizzano la distanza come K-Nearest Neighbors (KNN) e K-Means sono sensibili alla distanza tra i dati. Ridurre la scala dei dati per migliorarne le prestazioni.
• Normalizzare le caratteristiche: Quando un dataset contiene caratteristiche con scale diverse, il ridimensionamento dei dati evita di dare troppa importanza alle caratteristiche con magnitudini più grandi.
• Migliorare il confronto dei dati: Facilita il confronto dei dati grazie alla loro stessa scala.
• Prevenire problemi numerici: Il ridimensionamento dei dati può prevenire problemi come l’overflow e l’underflow (quando i numeri sono molto piccoli o grandi).
• Ridurre l’influenza degli outlier…