डेटा सामान्यीकरण
मानकीकरण और स्केलिंग की तकनीकें
डेटा सामान्यीकरण, CoddyKit पर Python Academy का एक निःशुल्क पाठ है। यह 5 में से 3वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह Python Academy सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। Python Academy पाठ्यक्रम में कुल 5 पाठ शामिल हैं।
डेटा सामान्यीकरण
डेटा सामान्यीकरण यह सुनिश्चित करता है कि डेटासेट की सभी विशेषताओं का मापमान समान हो। ग्रेडिएंट डिसेंट जैसे एल्गोरिदम और दूरी-आधारित मॉडलों के लिए यह अत्यंत महत्वपूर्ण है। इस पाठ में हम मानकीकरण और मापमान समायोजन की तकनीकों का अध्ययन करेंगे।
डेटा का सामान्यीकरण क्यों करें
सामान्यीकरण यह सुनिश्चित करता है कि सभी विशेषताएँ मॉडल में समान योगदान दें। सामान्यीकरण के बिना, बड़े मापमान वाली विशेषताएँ सीखने की प्रक्रिया पर हावी हो सकती हैं।
उदाहरण:
- आयु (0-100) और आय (0-100,000) को तुलनीय सीमाओं में बदला जाना चाहिए।
मानकीकरण
मानकीकरण डेटा को इस प्रकार बदलता है कि उसका औसत 0 और मानक विचलन 1 हो। इसकी गणना इस प्रकार की जाती है:
z = (x - mean) / std_dev
लॉजिस्टिक रिग्रेशन और SVM जैसे एल्गोरिदम के लिए मानकीकरण आदर्श है।
न्यूनतम-अधिकतम मापमान निर्धारण
न्यूनतम-अधिकतम मापमान निर्धारण डेटा को एक निश्चित सीमा, आमतौर पर [0, 1], में बदलता है। इसकी गणना इस प्रकार की जाती है:
x_scaled = (x - min) / (max - min)
इस तकनीक का उपयोग तब किया जाता है जब डेटा को एक निश्चित सीमा के भीतर रखना आवश्यक हो।
पाइथन में सामान्यीकरण (मानकीकरण)
डेटा को मानकीकृत करने के लिए sklearn.preprocessing से StandardScaler का उपयोग करें।
उदाहरण:
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)पाइथन में सामान्यीकरण (न्यूनतम-अधिकतम स्केलिंग)
न्यूनतम-अधिकतम स्केलिंग लागू करने के लिए sklearn.preprocessing से MinMaxScaler का उपयोग करें।
उदाहरण:
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(data)सामान्यीकरण तकनीक चुनना
तकनीक चुनते समय निम्नलिखित बातों पर विचार करें:
- मानकीकरण: जब डेटा में असामान्य मान हों, तब इसका उपयोग करें।
- न्यूनतम-अधिकतम स्केलिंग: जब विशेषताओं को एक सीमित परास में रखना हो, तब इसका उपयोग करें।
पुनरावलोकन
इस पाठ में आपने निम्नलिखित के बारे में सीखा:
- मानकीकरण: डेटा को 0 के माध्य और 1 के मानक विचलन पर स्केल करना।
- न्यूनतम-अधिकतम स्केलिंग: डेटा को एक निश्चित परास में बदलना।
- पाइथन में
StandardScalerऔरMinMaxScalerका उपयोग करना।
बधाई हो!
आपने डेटा सामान्यीकरण का पाठ पूरा कर लिया है। पाइथन में डेटा विलय के बारे में जानने के लिए अगले पाठ पर जाएँ।
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
- 76
- पाठ
- 320
अक्सर पूछे जाने वाले प्रश्न
क्या “डेटा सामान्यीकरण” पाठ निःशुल्क है?
हाँ—“डेटा सामान्यीकरण” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और Python Academy पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। Python Academy पाठ्यक्रम में कुल 5 पाठ शामिल हैं।
“डेटा सामान्यीकरण” में मैं क्या सीखूँगा?
मानकीकरण और स्केलिंग की तकनीकें आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ Python Academy का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या Python Academy शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर Python Academy 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 5 में से 3वाँ पाठ है।
“डेटा सामान्यीकरण” 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 Python Academy पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर Python Academy 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।