Veri işleme öncesi, etkili derin sinir ağları geliştirmede önemli bir adımdır. Properly hazırlıklı veriler model doğruluk ve eğitim verimliliğini artırabilir. Bu makale, derin öğrenme uygulamaları için işleme öncesi verilere kullanılan pratik teknikler özetlemektedir.
Data Temizlik
Temizlik verileri, yanlış, tutarsız veya eksik veri noktalarının kaldırılması veya düzeltilmesini içerir. Bu adım, modelin güvenilir bilgiden öğrenmelerini sağlar. Teknikler eksik değerleri ele alır, tekrarları ortadan kaldırır ve hataları düzeltir.
Normalleşme ve Standartlaştırma
Normalleştirme verileri belirli bir aralıkta, genellikle [0, 1], eğitim sırasında daha hızlı yakınlaşmaya yardımcı olur. Standartizasyon verileri sıfır ve standart bir sapmaya sahip olmak için değiştirir. Her iki yöntem de model stabilitesini ve performansını geliştirir.
Özel Mühendislik
Çiğ verilerin anlamlı özellikleri oluşturmak modellemeyi geliştirebilir. Teknikler enkoding kategorical variables, ekstrakt tarihi / zaman özellikleri ve etkileşim koşullarını yaratır. Özel seçim ayrıca boyutsal ve gürültüyü azaltır.
Data Augmentation
Veri birleştirici yapay olarak dönüşümleri uygulayarak eğitim veri kümesinin boyutunu artırır. Common methods include turnping, returns, or plantping image, and add noise to data points.This Technique help overfitting and improve generalization.