Desafio 1: Escalonamento de Dados
No mundo da ciência de dados e aprendizado de máquina, o escalamento de dados é um passo crítico de pré-processamento. Ele envolve principalmente a transformação das características (variáveis) do conjunto de dados para uma escala padrão, garantindo que cada característica tenha uma escala similar ou alcance. Isso é especialmente significativo para algoritmos que dependem de distâncias ou gradientes, pois assegura que todas as características contribuam igualmente para o resultado e o algoritmo converge mais eficientemente.
Aqui está uma demonstração de como as ferramentas de escalonamento do scikit-learn modificam a distribuição de dados:
Swipe to start coding
Nesta tarefa, você trabalhará com o popular conjunto de dados Iris. Seu objetivo é aplicar dois tipos de escalonadores aos dados e comparar os conjuntos de dados resultantes.
- Utilize a classe
StandardScalerpara padronizar o conjunto de dados, o que significa transformá-lo para ter uma média de0e um desvio padrão de1. - Utilize a classe
MinMaxScalerpara reescalar o conjunto de dados. Garanta que, após a escala, os valores das características estejam entre-1e1.
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo