Нормализация и стандартизация | Зачем масштабировать функции? | Основы машинного обучения скачать в хорошем качестве

Нормализация и стандартизация | Зачем масштабировать функции? | Основы машинного обучения

#ИИ #ML #искусственныйинтеллект #обучение #кодирование #машинноеобучение #наукаоданных 🔥 Нормализация и стандартизация — самые популярные методы масштабирования, используемые в машинном обучении. Но зачем мы масштабируем наши признаки? Необработанные данные часто содержат признаки разного масштаба. Если мы решим использовать алгоритмы, основанные на расчёте расстояний, такие как метод K-ближайших соседей, метод опорных векторов или даже нейронные сети, нам потребуется масштабировать признаки, чтобы признак с большим масштабом не доминировал в вычислениях. Нормализация масштабирует признак до фиксированного диапазона от 0 до 1 или от -1 до 1. Стандартизация, с другой стороны, полезна, когда ваши данные следуют нормальному распределению, поскольку она стандартизирует распределение, приводя его к нулевому среднему значению и стандартному отклонению, равному 1. Таким образом, она центрирует данные и стандартизирует разброс. Оба метода имеют свои преимущества и недостатки. На практике правильный метод выбирается с учётом распределения данных, алгоритма, чувствительности к диапазону и т. д. 🔍 Основные моменты: 0:00 — Введение. 0:28 — Что такое масштабирование данных? 0:38 — Зачем нужно масштабирование данных? 1:10 — Минимально-максимальное масштабирование = нормализация. 1:26 — Пример минимально-максимального масштабирования. 1:42 — Оно очень чувствительно к выбросам! 1:56 — Стандартизация. 2:16 — Стандартизация также чувствительна к выбросам! 2:45 — Заключительные примечания. 2:58 — Подпишитесь на нас! 🔔 Не забудьте поставить лайк, подписаться и нажать на колокольчик, чтобы быть в курсе наших новых видео! 🤖 Обратите внимание, что мы используем искусственный интеллект, например, изображения и голоса, созданные искусственным интеллектом, для повышения привлекательности и вовлеченности нашего контента. 🌐 Если у вас есть вопросы или темы, которые вы хотели бы осветить, оставьте комментарий ниже. Также поделитесь своим мнением о контенте: как, по вашему мнению, мы можем его улучшить? Спасибо за просмотр!