ڈیٹا پہلے مشین سیکھنے میں ایک اہم قدم ہے جس میں settle data کو ماڈل ٹریننگ کے لیے موزوں انداز میں تبدیل کرنا شامل ہے۔
ڈیٹا کے اصول
مؤثر ڈیٹا کئی بنیادی اصولوں پر انحصار کرنے سے پہلے ان میں ڈیٹا کی صفائی، نارمل اور خصوصیت انجینئری شامل ہیں۔انسرنگ ڈیٹا کی خوبی اور ان کی مدد سے مشین سیکھنے کے ماڈل بنانے کے لیے ضروری ہے۔
عام ڈیٹا پریفیکچرنگ ٹیکنک
ڈیٹا پر پیشگی ترمیم میں کئی تکنیکیں کثرت سے استعمال کی جاتی ہیں:
- Handling گم شدہ اعداد : [1] گم شدہ اقدار کو مکمل کرنا، Medical یا Alphabets جیسے K-Arderest neutest nethers کے ساتھ استعمال کرنا۔
- Scaling خصوصیات : [1] عام طور پر عمل آوری یا معیاری سرگرمی کا اطلاق کرنا تاکہ خصوصیات یکساں طور پر مشترکہ طور پر یقینی بنایا جا سکے۔
- Encding structions : کوانوی اقسام کو شمارندی مقداروں میں تبدیل کرنے کے لیے ایک گھنٹے کے حساب سے ایک ہی نوٹ یا لیبل کی ترسیل کا استعمال کرتے ہیں۔
- ری ایکٹر: [Decting and itstables کو ختم کرنے والے اعداد و شمار کو ختم کرنے والے
عملی نمونہ : ڈیٹا کی جانچ کرنا
اگر آپ کو لگتا ہے کہ آپ کو کسی چیز کی ضرورت ہے تو آپ کیا کر سکتے ہیں ؟
- میں ڈیٹا گم کر کے ریاضیاتی اقدار سے بھرتی کر دیتا ہوں۔
- انکوڈنگ کی خصوصیات جیسے کہ "کاؤنٹی" یا "Product type" جیسے ایک گھنٹے کے اندر ایک برقی رو استعمال کرتے ہیں۔
- اسکاٹنگ شماریات کی خصوصیات جیسے کہ "پی ٹی سی" اور "کوانتی" معیارییت کے ساتھ۔
یہ اقدام مشین سیکھنے کے الجبرا میں مؤثر استعمال کے لیے ڈیٹا تیار کرتے ہیں جس کی وجہ سے ماڈل کی کارکردگی بہتر ہوتی ہے۔