Kenormalan input adalah langkah penting dalam mempersiapkan data untuk jaringan saraf. Ini membantu meningkatkan stabilitas pelatihan dan kinerja model dengan memastikan bahwa fitur masukan berada dalam skala yang sama. Panduan ini menyediakan metode praktis untuk menormalkan data secara efektif untuk hasil jaringan saraf yang lebih baik.

Mengapa Normalisasi Input?

Jaringan saraf madau melakukan lebih baik ketika data input dinormalisasi karena mengurangi kemungkinan fitur tertentu mendominasi orang lain. Normalisasi dapat menyebabkan konvergensi yang lebih cepat selama pelatihan dan akurasi yang lebih baik.

Teknik Normalisasi Biasa

  • [[CharneFLT:0]]Min-Max Scaling: Skala ulang fitur ke jangkauan tetap, biasanya [0, 1].
  • Stardization: Pusat data di sekitar nol dengan standar deviasi satu.
  • Robust Scaling: Penggunaan median dan jangkauan interkuartile untuk mengurangi pengaruh outlier.

Normalisasi yang Mengimplementasi

Normalisasi dapat diimplementasikan menggunakan pustaka seperti scikit-learn dalam Python. Disarankan untuk sesuai dengan skalar pada data pelatihan kemudian menerapkan transformasi yang sama untuk validasi dan menguji data untuk mencegah kebocoran data.

Kode sebol untuk standardisasi:

[[EfolfT:0]]from sklearn.preprocessing import StandardScaler

[ skalar = StandardScaler()[

[[CUALN FLT:0]]train scaled = scaler.fit transform(X train)[

[[XALT:0]]X test scaled = scaler.transform(X test)