데이터 사전 처리는 효과적인 신경 네트워크 개발의 중요한 단계입니다. 적절하게 준비된 데이터는 크게 모델 정확도와 성능을 향상시킬 수 있습니다. 이 문서는 신경 네트워크 결과를 향상시킬 수있는 데이터 사전 처리에 대한 실질적인 접근 방식을 논의합니다.

처리 Missing Data

데이터 미팅은 교육 과정에 부정적인 영향을 줄 수 있습니다. 불변과 같은 기술은 다음과 같은 통계적 측정과 누락 된 값을 대체합니다. 또는 불완전한 레코드를 제거하면 누락 된 데이터가 최소인지 적합 할 수 있습니다.

Data Normalization 및 확장

Neural 네트워크는 입력 데이터가 정상화되거나 확장될 때 더 나은 실행합니다. 일반적인 방법은 단위 가변과 함께 의미의 데이터를 중심으로 데이터의 데이터에 대한 데이터 조정을 위한 최소 최대 스케일링을 포함합니다. 이 기술은 더 빠른 융합과 향상된 정확도에 도움이 됩니다.

인코딩 Categorical 변수

Categorical 데이터는 신경 네트워크의 수치 형식으로 변환해야합니다. One-hot 인코딩은 각 범주에 대한 바이너리 벡터를 생성하고 라벨 인코딩은 고유한 정수를 할당합니다. Proper 인코딩은 모델의 해석을 올바르게 보장합니다.

데이터 Augmentation

Data augmentation 인공적으로 회전, 스케일링, 또는 플립과 같은 변환을 적용하여 데이터 세트 크기를 증가시킵니다. 이 기술은 모델의 일반화를 개선하고 이미지 및 연설 데이터에서 과잉을 감소시킵니다.