Miksi Skaalata Dataa?
Kun puuttuvat arvot on käsitelty ja kategoriset ominaisuudet koodattu, tietoaineistossa ei ole enää ongelmia, jotka aiheuttaisivat virheitä mallissa. Kuitenkin yksi haaste on vielä jäljellä: ominaisuuksien erilaiset mittakaavat.
Tämä ongelma ei aiheuta virheitä, vaikka syöttäisit nykytilan tiedot mallille, mutta se voi huomattavasti heikentää joidenkin koneoppimismallien suorituskykyä.
Tarkastellaan esimerkkiä, jossa yksi ominaisuus on 'age', jonka arvot vaihtelevat 18:sta 50:een, ja toinen ominaisuus on 'income', jonka arvot vaihtelevat $25,000:sta $500,000:een. On selvää, että kymmenen vuoden ero iässä on merkittävämpi kuin kymmenen dollarin ero tuloissa.
Jotkin mallit, kuten k-NN (jota käytämme tällä kurssilla), saattavat kuitenkin käsitellä näitä eroja yhtä merkittävinä. Tämän seurauksena 'income'-sarake vaikuttaa malliin huomattavasti enemmän. Siksi on tärkeää, että ominaisuuksilla on suurin piirtein sama vaihteluväli, jotta k-NN toimii tehokkaasti.
Vaikka muut mallit eivät välttämättä ole yhtä herkkiä mittakaavaeroille, tietojen skaalaus voi merkittävästi nopeuttaa käsittelyä. Tämän vuoksi tietojen skaalaus sisällytetään usein esikäsittelyn viimeiseksi vaiheeksi.
Kuten aiemmin mainittiin, datan skaalaus on yleensä viimeinen vaihe esikäsittelyssä. Tämä johtuu siitä, että skaalaamisen jälkeen tehtävät muutokset ominaisuuksiin voivat palauttaa datan takaisin skaalaamattomaksi.
Seuraavassa luvussa käsitellään kolmea yleisintä datan skaalaamiseen käytettävää muunninta. Nämä ovat StandardScaler, MinMaxScaler ja MaxAbsScaler.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Mahtavaa!
Completion arvosana parantunut arvoon 4.55Miksi Skaalata Dataa?
Pyyhkäise näyttääksesi valikon
Kun puuttuvat arvot on käsitelty ja kategoriset ominaisuudet koodattu, tietoaineistossa ei ole enää ongelmia, jotka aiheuttaisivat virheitä mallissa. Kuitenkin yksi haaste on vielä jäljellä: ominaisuuksien erilaiset mittakaavat.
Tämä ongelma ei aiheuta virheitä, vaikka syöttäisit nykytilan tiedot mallille, mutta se voi huomattavasti heikentää joidenkin koneoppimismallien suorituskykyä.
Tarkastellaan esimerkkiä, jossa yksi ominaisuus on 'age', jonka arvot vaihtelevat 18:sta 50:een, ja toinen ominaisuus on 'income', jonka arvot vaihtelevat $25,000:sta $500,000:een. On selvää, että kymmenen vuoden ero iässä on merkittävämpi kuin kymmenen dollarin ero tuloissa.
Jotkin mallit, kuten k-NN (jota käytämme tällä kurssilla), saattavat kuitenkin käsitellä näitä eroja yhtä merkittävinä. Tämän seurauksena 'income'-sarake vaikuttaa malliin huomattavasti enemmän. Siksi on tärkeää, että ominaisuuksilla on suurin piirtein sama vaihteluväli, jotta k-NN toimii tehokkaasti.
Vaikka muut mallit eivät välttämättä ole yhtä herkkiä mittakaavaeroille, tietojen skaalaus voi merkittävästi nopeuttaa käsittelyä. Tämän vuoksi tietojen skaalaus sisällytetään usein esikäsittelyn viimeiseksi vaiheeksi.
Kuten aiemmin mainittiin, datan skaalaus on yleensä viimeinen vaihe esikäsittelyssä. Tämä johtuu siitä, että skaalaamisen jälkeen tehtävät muutokset ominaisuuksiin voivat palauttaa datan takaisin skaalaamattomaksi.
Seuraavassa luvussa käsitellään kolmea yleisintä datan skaalaamiseen käytettävää muunninta. Nämä ovat StandardScaler, MinMaxScaler ja MaxAbsScaler.
Kiitos palautteestasi!
