Table of Contents
सामान्यीकृत इनपुट तंत्रिका नेटवर्क के लिए डेटा तैयार करने में एक महत्वपूर्ण कदम है। यह सुनिश्चित करके प्रशिक्षण स्थिरता और मॉडल प्रदर्शन में सुधार करने में मदद करता है कि इनपुट सुविधाएँ समान पैमाने पर हैं। यह गाइड बेहतर तंत्रिका नेटवर्क परिणामों के लिए प्रभावी ढंग से डेटा को सामान्य करने के लिए व्यावहारिक तरीकों को प्रदान करता है।
क्यों सामान्यीकृत इनपुट?
जब इनपुट डेटा सामान्यीकृत होता है तो तंत्रिका नेटवर्क बेहतर प्रदर्शन करते हैं क्योंकि यह दूसरों पर हावी कुछ विशेषताओं की संभावना को कम करता है। सामान्यीकरण प्रशिक्षण और बेहतर सटीकता के दौरान तेजी से अभिसरण का कारण बन सकता है।
सामान्यीकरण तकनीक
- न्यूनतम मैक्स स्केलिंग: Rescales एक निश्चित सीमा के लिए सुविधाओं, आमतौर पर [0, 1].
- मानकीकरण: केंद्र एक के मानक विचलन के साथ शून्य के आसपास डेटा।
- Robust Scaling: outliers के प्रभाव को कम करने के लिए मध्यस्थता और अंतर रेंज का उपयोग करता है।
सामान्यीकरण को कार्यान्वित करना
सामान्यीकरण को पाइथन में स्किकिट-लर्न जैसे पुस्तकालयों का उपयोग करके कार्यान्वित किया जा सकता है। प्रशिक्षण डेटा पर स्केलर को फिट करने की सिफारिश की जाती है और फिर डेटा रिसाव को रोकने के लिए सत्यापन और परीक्षण डेटा के समान परिवर्तन लागू किया जाता है।
मानकीकरण के लिए उदाहरण कोड:
]]sklearn.preprocessing आयात StandardScaler]
scaler = StandardScaler (]]]
train scaled = Scaler.fit transform(X train)]
X test scaled = स्केलर.transform(X test) ]