पाइथन के साथ एआई सीखें · पाठ

फ़ीचर स्केलिंग: सामान्यीकरण और मानकीकरण

MinMaxScaler, StandardScaler, RobustScaler — प्रत्येक का उपयोग कब और क्यों करें।

पाठ 3, कुल 4 में से13 चरण

फ़ीचर स्केलिंग: सामान्यीकरण और मानकीकरण, CoddyKit पर पाइथन के साथ एआई सीखें का एक निःशुल्क पाठ है। यह 4 में से 3वाँ पाठ है। इस अध्ययन पथ के 3 तक कोई भी पाठ पूरा पढ़ना निःशुल्क है — इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ व्यावहारिक अभ्यास भी उपलब्ध कराता है। यह पाइथन के साथ एआई सीखें सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। पाइथन के साथ एआई सीखें पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

FEATURES को स्केल क्यों करें?

कई एल्गोरिदम विशेषता के MAGNITUDE के प्रति संवेदनशील होते हैं। 0 से 1,000,000 तक फैली विशेषता दूरी- या ग्रेडिएंट-आधारित मॉडलों में 0 से 1 तक फैली विशेषता पर हावी हो जाएगी। स्केलिंग विशेषताओं को तुलनीय दायरों में लाती है।

किन्हें स्केलिंग की आवश्यकता है

KNN, SVM, k-means, PCA और ग्रेडिएंट डिसेंट वाले मॉडल, जैसे रैखिक/लॉजिस्टिक प्रतिगमन और तंत्रिका नेटवर्क, के लिए स्केलिंग महत्वपूर्ण है। ट्री-आधारित मॉडल (रैंडम फ़ॉरेस्ट, ग्रेडिएंट बूस्टिंग) स्केल से अप्रभावित रहते हैं और इन्हें इसकी आवश्यकता नहीं होती।

सामान्यीकरण: MinMaxScaler

Min-max सामान्यीकरण प्रत्येक विशेषता को एक निश्चित दायरे में, सामान्यतः 0 से 1 तक, इस सूत्र से पुनःस्केल करता है: (x - min) / (max - min)। यह वितरण का आकार बनाए रखता है।

from sklearn.preprocessing import MinMaxScaler
import numpy as np
X = np.array([[10.0], [20.0], [30.0], [40.0]])
scaler = MinMaxScaler()
print(scaler.fit_transform(X).ravel())   # [0. 0.333 0.667 1.]

मानकीकरण: StandardScaler

मानकीकरण प्रत्येक विशेषता का mean शून्य और प्रसरण इकाई करता है, (x - mean) / std के साथ। परिणाम z-स्कोर होता है; मान केंद्रित होते हैं, किसी सीमा में बँधे नहीं।

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
Xs = scaler.fit_transform(X)
print(Xs.ravel())
print(Xs.mean(), Xs.std())   # ~0 and ~1

MinMax बनाम मानकीकरण

जब आपको सीमाबद्ध दायरे की आवश्यकता हो, तब MinMax का उपयोग करें (जैसे चित्र पिक्सेल या तंत्रिका नेटवर्क के इनपुट)। जब एल्गोरिदम लगभग शून्य-केंद्रित डेटा मानता हो, तब मानकीकरण का उपयोग करें (PCA, SVM, रैखिक मॉडल)। MinMax आउटलाईयर के प्रति अधिक संवेदनशील है।

आउटलाईयर के लिए RobustScaler

RobustScaler MEDIAN के आधार पर केंद्रित करता है और IQR से स्केल करता है। दोनों आउटलाईयर के प्रभाव का विरोध करते हैं, इसलिए जब चरम मान अन्य स्केलरों को विकृत कर सकते हों, तब यह सही विकल्प है।

from sklearn.preprocessing import RobustScaler
Xo = np.array([[1.0], [2.0], [3.0], [4.0], [100.0]])
print(RobustScaler().fit_transform(Xo).ravel())

fit बनाम transform

स्केलर fit में प्राचल LEARN करते हैं (न्यूनतम/अधिकतम या माध्य/मानक विचलन) और उन्हें transform में APPLY करते हैं। fit_transform एक ही आह्वान में दोनों काम करता है।

scaler = StandardScaler()
scaler.fit(X)          # learns mean and std
Xs = scaler.transform(X)   # applies them

सुनहरा नियम: केवल प्रशिक्षण पर fit करें

हमेशा TRAINING सेट पर fit करें, फिर सीखे गए पैरामीटर से परीक्षण सेट पर केवल transform करें। परीक्षण डेटा पर फिट करने से उसके बारे में जानकारी आपके मॉडल में लीक हो जाती है।

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)   # transform only!

परीक्षण पर fit क्यों न करें

यदि आप परीक्षण सेट को शामिल करने वाले आँकड़ों का उपयोग करके स्केल करते हैं, तो आपका मूल्यांकन ऐसी जानकारी देखता है जिसे उसे नहीं देखना चाहिए; इसे डेटा रिसाव कहते हैं। इससे प्रदर्शन के आशावादी और अविश्वसनीय अनुमान मिलते हैं।

उलटा रूपांतरण

स्केलर inverse_transform से प्रक्रिया को उलट सकते हैं। यह रिपोर्ट के लिए स्केल किए गए पूर्वानुमानों को मूल इकाइयों में बदलने में उपयोगी है।

original = scaler.inverse_transform(X_train_scaled)
# recovers the pre-scaled values

लक्ष्य को स्केल करना

वर्गीकरण में आप सामान्यतः लक्ष्य के बजाय FEATURES को स्केल करते हैं। प्रतिगमन में आप लक्ष्य को भी स्केल कर सकते हैं, लेकिन तब त्रुटियों की रिपोर्ट करने से पहले पूर्वानुमानों पर inverse-transform करना याद रखें।

त्वरित जाँच

स्केलिंग के अपने ज्ञान की जाँच करें।

इंटरैक्टिव पाठ में इसका उत्तर दें

पुनरावलोकन

स्केलिंग टूलकिट:

दूरी/ग्रेडिएंट वाले मॉडलों के लिए स्केलिंग महत्वपूर्ण है; ट्री मॉडल इसे अनदेखा करते हैं
MinMaxScaler -> सीमाबद्ध 0..1; StandardScaler -> mean शून्य, प्रसरण इकाई
RobustScaler median और IQR का उपयोग करता है और आउटलाईयर के प्रति मज़बूत है
हमेशा ट्रेन पर fit_transform और केवल परीक्षण पर transform करें (रिसाव से बचें)

शुरुआत निःशुल्क

एआई शिक्षक के साथ Python सीखें — निःशुल्क

अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।

पाठ्यक्रम: 53
पाठ: 225

निःशुल्क सीखना शुरू करें पूरा पाठ्यक्रम देखें

अक्सर पूछे जाने वाले प्रश्न

क्या “फ़ीचर स्केलिंग: सामान्यीकरण और मानकीकरण” पाठ निःशुल्क है?

हाँ — पाइथन के साथ एआई सीखें अध्ययन पथ के 3 तक कोई भी पाठ, जिसमें “फ़ीचर स्केलिंग: सामान्यीकरण और मानकीकरण” भी शामिल है, यहाँ वेब पर पूरा पढ़ना निःशुल्क है। इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ इंटरैक्टिव अभ्यास भी उपलब्ध कराता है। पाइथन के साथ एआई सीखें पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

“फ़ीचर स्केलिंग: सामान्यीकरण और मानकीकरण” में मैं क्या सीखूँगा?

MinMaxScaler, StandardScaler, RobustScaler — प्रत्येक का उपयोग कब और क्यों करें। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ पाइथन के साथ एआई सीखें का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।

क्या पाइथन के साथ एआई सीखें शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?

पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर पाइथन के साथ एआई सीखें शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 3वाँ पाठ है।

“फ़ीचर स्केलिंग: सामान्यीकरण और मानकीकरण” पाठ पूरा करने में कितना समय लगता है?

CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।

क्या मैं इस पाइथन के साथ एआई सीखें पाठ में कोड लिख और चला सकता हूँ?

हाँ। हर पाइथन के साथ एआई सीखें पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।

इस पाठ्यक्रम के सभी पाठ

← पाइथन के साथ एआई सीखें पर वापस जाएँ