מצגת: למידה בלתי מבוססת: למה ואיך לעשות את זה נכון

קנה מידה הוא צעד חשוב עיבוד באלגוריתמים רבים של למידת מכונה, במיוחד בלמידה לא מבוקרת. קנה מידה נכון מבטיח כי כל התכונות לתרום במידה שווה לניתוח ולשפר את הביצועים של אלגוריתמים כגון הפחתה של דחיסות וממדליות.

למה דווקא תכונת Scaling Matters

בלמידה לא מבוססת, אלגוריתמים לעתים קרובות מסתמכים על מדידות מרחק או מדדים דומים.אם תכונות הן בקנה מידה שונה, תכונות עם טווחים גדולים יותר יכולות לשלוט בחישובים אלה, מה שמוביל לתוצאות מוטות. Scaling עוזר לנרמל תרומות תכונות ולשפר את הדיוק של המודלים.

טכניקות סקרלינג נפוצות

• (ב) ⁇ :0 (ב-Min-Max Scaling:FreaLT:1) Transforms features to aקבוע טווח, בדרך כלל (0, 1).
• (ב) ⁇ :0) , ⁇ : 1 מרכזי ההרחבה כוללים סטיות סטנדרטיות של 1.
• (ב) ,0) רובוסט סקרלינג: FLT:1 השתמש בטווח החציוני והקונפליאלי כדי להפחית את השפעתם של יוצאי דופן.

הפרקטיקה הטובה ביותר ל Scaling

החלת טכניקות מדרג לאחר פיצול נתונים לאימון ובדיקות כדי למנוע דליפות נתונים. Fit את המאזניים על נתוני האימון בלבד, ולאחר מכן להפוך את שני הטכניקות לאימון ובדיקת נתונים. גישה זו שומרת על שלמות תהליך ההערכה.