Table of Contents
مقیاس پذیری ویژگی یک گام مهم پیش پردازش در بسیاری از الگوریتم های یادگیری ماشین است، به ویژه در یادگیری بدون نظارت، مقیاس پذیری مناسب تضمین می کند که همه ویژگی ها به طور مساوی به تجزیه و تحلیل کمک می کنند و عملکرد الگوریتم هایی مانند خوشه بندی و کاهش ابعاد را بهبود می بخشد.
چرا مقیاس پذیری مهم است
در یادگیری بدون نظارت، الگوریتم ها اغلب به اندازه گیری های فاصله یا معیارهای مشابه متکی هستند.اگر ویژگی ها در مقیاس های مختلف قرار دارند، ویژگی های با دامنه های بزرگتر می تواند بر این محاسبات تسلط داشته باشد، که منجر به نتایج پیش فرض می شود. مقیاسینگ به عادی سازی کمک های ویژگی و افزایش دقت مدل ها کمک می کند.
تکنیک های مقیاسی مشترک
- [[۱] [۱۰]-۱] مقیاس پذیری: [[۱۰] [۱۰] [۱]] [۱۰] [۱]] [۱۰])
- استاندارد سازی: مراکز در اطراف معنی با انحراف استاندارد از 1.
- [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱] [۱] [۱۰]] استفاده از دامنه های پراکنده و بین المللی برای کاهش نفوذ از بیرون.
بهترین روش ها برای مقیاس
تکنیک های مقیاس پذیری را پس از تقسیم داده ها به آموزش و تست مجموعه ها برای جلوگیری از نشت داده ها اعمال کنید. Fit مقیاس دهنده در داده های آموزشی تنها، سپس هر دو آموزش و آزمایش داده ها را تغییر دهید.این رویکرد یکپارچگی فرآیند ارزیابی را حفظ می کند.