Η κανονικοποίηση των εισροών είναι ένα κρίσιμο βήμα στην προετοιμασία των δεδομένων για τα νευρωνικά δίκτυα. Βοηθά στη βελτίωση της σταθερότητας της εκπαίδευσης και της απόδοσης του μοντέλου, εξασφαλίζοντας ότι τα χαρακτηριστικά εισόδου είναι σε παρόμοια κλίμακα.

Γιατί να Ομαλοποιήσετε τις Εισροές;

Τα νευρωνικά δίκτυα αποδίδουν καλύτερα όταν τα δεδομένα εισόδου ομαλοποιηθούν επειδή μειώνει τις πιθανότητες ορισμένων χαρακτηριστικών που κυριαρχούν σε άλλα. Η κανονικοποίηση μπορεί να οδηγήσει σε ταχύτερη σύγκλιση κατά τη διάρκεια της κατάρτισης και βελτιωμένη ακρίβεια.

Κοινές τεχνικές κανονικοποίησης

  • Min-Max κλιμάκωση: Ανακλίνει χαρακτηριστικά σε σταθερό εύρος, συνήθως [0, 1].
  • Πρότυπο: Δεδομένα κέντρων γύρω από το μηδέν με τυπική απόκλιση ενός.
  • Κλιμάκωση του ⁇ όμβου: Χρησιμοποιεί διάμεσο και διατεταρτημοριακό εύρος για να μειώσει την επιρροή των υπερτερών.

Εφαρμογή της κανονικοποίησης

Η κανονικοποίηση μπορεί να υλοποιηθεί χρησιμοποιώντας βιβλιοθήκες όπως το scikit-learn σε Python. Συνιστάται να χωράει το scaler στα δεδομένα εκπαίδευσης και στη συνέχεια να εφαρμόζει τον ίδιο μετασχηματισμό σε δεδομένα επικύρωσης και δοκιμής για την πρόληψη της διαρροής δεδομένων.

Παράδειγμα κώδικα τυποποίησης:

από την εισαγωγή sklearn.preprocessing StandardScaler

κλίμακα = StandardScaler ()

τρένο κλίμακας = scaler.fit transform(X train)

X test scaled = scaler.transform(X test)