Tiêu chuẩn hoá dữ liệu là một bước quan trọng trong việc chuẩn bị dữ liệu cho mạng thần kinh. Nó giúp cải thiện khả năng đào tạo sự ổn định và hiệu suất mô hình bằng cách đảm bảo tính năng nhập vào ở cùng một quy mô. Hướng dẫn này cung cấp phương pháp thực tế để chuẩn hoá dữ liệu một cách hiệu quả hơn cho kết quả mạng thần kinh.

Tại sao nên nhập chuẩn?

Mạng thần kinh hoạt động tốt hơn khi dữ liệu nhập được bình thường hóa vì nó làm giảm khả năng một số tính năng chi phối các tính năng khác.

Công nghệ chuẩn hóa thông thường

  • Min-Max Scaling: Các tính năng quy mô đến một phạm vi cố định, thường [0, 1].
  • Sự xếp hàng: Trung tâm dữ liệu xung quanh số không với độ lệch chuẩn của một.
  • Robinust Scaling:) Dùng met và interquaterile phạm vi để giảm ảnh hưởng của người ngoài.

Hoàn tất chuẩn

Sự chuẩn hoá có thể được thực hiện bằng thư viện như học thuật ngữ trong Python. Đề nghị bạn khớp với bộ cân trong dữ liệu đào tạo, rồi áp dụng cùng một sự chuyển đổi để hợp lệ hoá và kiểm tra dữ liệu để ngăn chặn việc rò rỉ dữ liệu.

Mã mẫu cho tiêu chuẩn hóa:

từ nsk learn. Trước tiến hành nhập khẩu StandardScaler )

quy mô = StandardScaler ())

Huấn luyện BAR đã cân bằng.fit transform

X thử tọa độ = vi phạm. Transform(X Et) )