Dữ liệu bình thường hóa và tăng cường là những bước cần thiết trong việc xử lý trong máy học tập. họ giúp cải thiện hiệu suất mô hình bằng cách đảm bảo rằng các tính năng đóng góp ngang nhau cho quá trình học tập. ứng dụng đúng của các kỹ thuật này có thể dẫn đến mô hình chính xác hơn và ổn định.

Hiểu được thông thường hóa dữ liệu và cân nhắc

Dữ liệu bình thường điều chỉnh dữ liệu theo tỷ lệ chung mà không làm méo mó sự khác biệt trong phạm vi các giá trị. Tính toán thường bao gồm chuyển đổi tính năng phù hợp trong phạm vi hoặc phân phối cụ thể. Cả hai kỹ thuật để làm cho tính năng tương tự và cải thiện hiệu quả của thuật toán.

Công nghệ thông thường

  • Min-Max Scaling: Biến đổi tính năng đến một phạm vi cố định, thường là 0 đến 1.
  • Sự xếp hàng: Trung tâm dữ liệu xung quanh giá trị trung bình với độ lệch chuẩn của 1.
  • Robinust Scaling:) sử dụng met và interquartile phạm vi, hiệu quả với xa hơn.

Thực hành tốt nhất

Áp dụng sự bình thường hoá và tỷ lệ tỷ lệ sau khi chia dữ liệu vào đào tạo và thử nghiệm bộ để ngăn chặn sự rò rỉ dữ liệu. Hãy chọn kỹ thuật dựa trên thuật toán và phân phối dữ liệu. Ví dụ, mô hình dựa trên cây thường không cần thiết tỷ lệ, trong khi thuật toán như SVM và k- N có lợi đáng kể từ nó.