Table of Contents
ورودی های عادی یک گام مهم در آماده سازی داده ها برای شبکه های عصبی است.این کمک می کند تا ثبات آموزش و عملکرد مدل را با اطمینان از اینکه ویژگی های ورودی در مقیاس مشابه هستند، بهبود بخشد.این راهنما روش های عملی برای عادی سازی داده ها به طور موثر برای نتایج شبکه عصبی بهتر فراهم می کند.
چرا ورودی های عادی؟
شبکه های عصبی بهتر عمل می کنند زمانی که داده های ورودی طبیعی شوند، زیرا احتمال برخی از ویژگی های خاص را که بر دیگران تسلط دارند، کاهش می دهد. عادی سازی می تواند به همگرایی سریع تر در طول آموزش و بهبود دقت منجر شود.
تکنیک های عادی سازی مشترک
- [[۱] [۱۰]-۱] مقیاس: [[۱۰] [۱۰] [۱]] [۱۰] [۱] [۱۰] [۱]] [۱]] [۱۰]
- استاندارد سازی: داده های اطراف صفر با انحراف استاندارد از یک.
- [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱] [۱] [۱۰]] استفاده از دامنه های پراکنده و بین المللی برای کاهش نفوذ از بیرون.
پیاده سازی عادی سازی
عادی سازی را می توان با استفاده از کتابخانه هایی مانند Scikit-learn در پایتون اجرا کرد. توصیه می شود که مقیاس پذیری داده های آموزشی را متناسب کنید و سپس همان تحول را به اعتبار و داده های تست اعمال کنید تا از نشت داده جلوگیری شود.
کد مثال برای استاندارد سازی:
[[ویرایش] [۱] [۱۰] [۱] [۱]
[[ویرایش] [۱] [۱۰] [۱]
[در مقیاس] = مقیاس پذیر (fit transform (X train)
-test scaled = مقیاس پذیر (X test)