Normal girişler, veriyi sinir ağları için hazırlamak için çok önemli bir adımdır. Bu giriş özelliklerinin benzer bir ölçek üzerinde olmasını sağlayarak eğitim istikrar ve model performansını geliştirmeye yardımcı olur.Bu kılavuz, daha iyi sinir ağları sonuçları için verileri etkili bir şekilde normalleştirmek için pratik yöntemler sunar.
Neden Normalleştirilmiş Girişler?
Neural ağları giriş verileri normal olduğunda daha iyi performans gösterir çünkü bazı özelliklerin başkalarını cezalandırma şansı azaltır. Normalleştirme eğitim ve geliştirilmiş doğruluk sırasında daha hızlı bir yakınlığa yol açabilir.
Yaygın Normalleştirme Teknikleri
- [0]Min-Max Scaling:[Dönetici:[Döneticileri sabit bir aralıkta, genellikle [0, 1].
- [FONT:0)Standartizasyon:) Merkezler bir standart sapma ile sıfırın etrafında sıfır.
- [FONT:0]Robust Scaling: Ortada ve iççülerin etkisini azaltmak için medya ve iç içe dönük bir aralık.
Normalleşmeyi Uygulamayı
Normalleştirme Python'da scikit- learning gibi kütüphaneleri kullanarak uygulanabilir. Eğitim verileri üzerine ölçekleyiciye uyması önerilir ve sonra verileri sızıntıyı önlemek için aynı dönüşümü uygulayın.
Standartlaştırma için örnek kod:
[FONT=0) sklearn.pre processinging import StandardScaler[Dön 1: 1).
[FONT=0)|size|= StandardScaler()).
[FONT=0) scaled = ölçekr.fit transform (X train)).
[FONT=0)X test scaled = ölçekr.transform (X test)).