วิธี การ ทํา ให้ ข้อมูล เป็น ปกติ และ ผล กระทบ ของ การ ฝึก หัด เครื่องจักร

การ ทํา ให้ ข้อมูล เป็น ปกติ เป็น ขั้น ตอน สําคัญ ใน การ ประมวล ความ รู้ ของ เครื่อง ที่ ปรับ ปรุง คุณภาพ ของ การ ทํา งาน ของ เครื่อง จําลอง วิธี การ ต่าง ๆ สามารถ ส่ง ผล กระทบ อย่าง มาก ต่อ ความ ถูก ต้อง และ ประสิทธิภาพ ของ อัลกอริทึม การ เข้าใจ วิธี เหล่า นี้ ช่วย ใน การ เลือก เทคนิค ที่ เหมาะ สม สําหรับ ชุด ข้อมูล และ แบบ จําลอง ที่ เจาะจง

เทคนิกข้อมูลทั่วไป

วิธีทําสถิติหลายแบบใช้กันอย่างแพร่หลายในการเรียนรู้ของเครื่อง แต่ละวิธีมีลักษณะเฉพาะตัว ตัวเลือกนี้ขึ้นอยู่กับการกระจายข้อมูล และความต้องการของอัลกอริทึม

• [FLT: 0] Min-Max Scaling:[[FLT: 1) การปรับสัดส่วนให้เข้ากับช่วงคงที่ โดยปกติจะ [0,1] ไวต่อความบกพร่อง
• [FLT: 0] Z-Sup Sermatization: คุณสมบัติมาตรฐานที่มีค่าเฉลี่ยเป็น 0 และมีค่าเบี่ยงเบนมาตรฐานเป็น 1. เหมาะสําหรับการแจกจ่ายข้อมูลแบบปกติ
• [FLT: 0] โรบินส์สสกัลลิง: ใช้มัธยฐานและช่วงระหว่างน้ําและความเข้มแรง ทําให้มีความเข้มแรงสูงขึ้น
• [FLT: 0] MaxAbs Scaling: มาตราฐาน [-1,1] โดยอิงจากค่าสูงสุด มีประโยชน์สําหรับข้อมูลแบบไร้คุณภาพ (1,1).

ผล กระทบ ต่อ รุ่น การ เรียน รู้ ของ เครื่องจักร

การทําเป็นปกติจะมีผลต่ออัลกอริทึมที่เรียนรู้จากข้อมูล รุ่นเช่นเพื่อนบ้านที่ K-nearest และเครื่องช่วยสร้างเวกเตอร์มีความไวต่อความไวต่อความไวของคุณสมบัติ และการปรับความแม่นยําของอัลกอริทึมได้

การ นํา วิธี การ ปรับ ปรุง ให้ เป็น ปกติ ปกติ ที่ เหมาะ สม ไป ใช้ อาจ ทํา ให้ การ ประสาน งาน กัน เร็ว ขึ้น ระหว่าง การ ฝึก อบรม และ การ ทํา ให้ ข้อมูล ที่ ไม่ ได้ เห็น ทั่ว ไป ดู เป็น เรื่อง ง่าย ขึ้น.