Ang pag - aayos ng mga bahagi ay isang mahalagang hakbang sa pagsasanay ng mga neural network.

Mahuhusay na Pundasyon ng Pag - aalaga

Ang mga pamamaraang pag-aari ng pag-iinspektibo ay nagbabago ng data upang matiyak na ang bawat tampok ay parehas na nakakatulong sa proseso ng pagkatuto. Ang mga karaniwang pamamaraan ay kinabibilangan ng mon-max scaling at standardization. Min-max spiraling transpormasyon ang mga katangian sa isang tiyak na saklaw, karaniwan ay [0, 1], gamit ang pormula:

x scaled = (x - mi(x) / (max(x) - main(x))[[

Sa kabilang dako naman, ang pamantayan ay nakasentro sa mga katangian sa paligid ng mean na may pagkakaiba ng yunit:

x standardized = (x - ⁇ ) / ⁇

Epekto sa Pagsasanay sa Neural Network

Ang wastong pag - uunat ay nakatutulong para mas madaling makabuo ng bagong mga bahagi sa pamamagitan ng paghadlang sa mas malalaking pagkakaiba ng mga antas ng pagkatuto at ng mga update.

Ang mga neural network na may mga tungkuling aktibidad tulad ng sigmoid o tanh ay partikular na sensitibo sa mga sekwensiya ng pag-iinam.Ang pag-scalting ay tumitiyak na ang mga input ay bumabagsak sa loob ng mga aktibong rehiyon ng mga tungkuling ito, na nagpapabuti sa kahusayang matuto.

Praktikal na mga Pag - iingat

Kapag nilalapat ang tampok na pag-caling, mahalaga na iangkop ang scaler sa pagsasanay lamang ng datos at pagkatapos ay ikapit ang parehong pagbabago sa ekwasyon at pagsusuri ng datos.Ito ay pumipigil sa data dispensasyon at tinitiyak ang hindi nagbabagong pag-ikot sa mga dataset.

  • Gumamit ng mi-max scaling para sa mga naka-taling katangian.
  • Pahiran ng standardization para sa normal na pamamahagi ng datos.
  • Laging angkop ang mga taga-korporasyon sa pagsasanay lamang ng datos.
  • Ibalik ang datos ng re-scale pagkatapos ng anumang pagdagdag ng datos.