入力を正規化することは、ニューラルネットワークのデータの準備に重要なステップです。入力機能が同様の規模にあることを確実にすることで、トレーニングの安定性とモデルのパフォーマンスを向上させることができます。このガイドは、より良いニューラルネットワーク結果を得るために、データを効果的に正規化するための実用的な方法を提供します。

どうして入力を正規化するのか?

特定の機能のチャンスを減らすため、入力データが正規化されると、ニューラルネットワークがより効果的です。正規化は、トレーニング中にコンバージェンスを高速化し、精度を向上させることができます。

一般的な正規化技術

  • []最小値のスケーリング:[ 固定範囲にリスケール機能、通常[0, 1]。
  • 標準化:]] は、標準偏差でゼロ付近のデータを1つのセンタリングします。
  • ]Robust Scaling:[は、上書きの影響を削減するために、中触範囲とインタークタイル範囲を使用します。

正規化の実装

Pythonでscikit-learnのようなライブラリを使用して正規化を実行できます。 トレーニングデータにスケーラに合うように推奨され、データ漏洩を防ぐため、検証とテストデータに同じ変換を適用します。

標準化のための例コード:

]sklearn.preprocessing import StandardScalerから

スケール = スタンダードスキャラー()[

train scaled = scaler.fit transform(X train)]

X test scaled = scaler.transform(X test)