Data Normalization
Standardization और Scaling तकनीकें
Data Normalization, CoddyKit पर Python For Kids 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 For Kids सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। Python For Kids पाठ्यक्रम में कुल 5 पाठ शामिल हैं।
डेटा सामान्यीकरण
डेटा सामान्यीकरण यह सुनिश्चित करता है कि किसी डेटा-समूह की सभी विशेषताओं का पैमाना समान हो। यह ग्रेडिएंट डिसेंट और दूरी-आधारित मॉडलों जैसे एल्गोरिदम के लिए अत्यंत महत्वपूर्ण है। इस पाठ में हम मानकीकरण और स्केलिंग 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 पैमानों वाली विशेषताएँ सीखने की प्रक्रिया पर हावी हो सकती हैं।
उदाहरण:
- आयु (0-100) और आय (0-100,000) को तुलनीय सीमाओं में स्केल किया जाना चाहिए।
मानकीकरण
मानकीकरण डेटा को इस प्रकार रूपांतरित करता है कि उसका औसत 0 और मानक विचलन 1 हो। इसकी गणना इस प्रकार की जाती है:
z = (x - mean) / std_dev
मानकीकरण लॉजिस्टिक रिग्रेशन और SVM जैसे एल्गोरिदम के लिए उपयुक्त है।
न्यूनतम-अधिकतम स्केलिंग
न्यूनतम-अधिकतम स्केलिंग डेटा को एक निश्चित सीमा में, सामान्यतः [0, 1] में, स्केल करती 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।
पायथन 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)पायथन 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 की तकनीक चुनना
तकनीक चुनते समय निम्नलिखित बातों पर विचार करें:
- मानकीकरण: इसका उपयोग तब करें, जब डेटा में असामान्य मान हों।
- न्यूनतम-अधिकतम स्केलिंग: इसका उपयोग तब करें, जब विशेषताओं को एक निश्चित सीमा में रखना आवश्यक हो।
पुनरावलोकन
इस पाठ में आपने इनके बारे में सीखा:
- मानकीकरण: डेटा को 0 के औसत और 1 के मानक विचलन के अनुसार स्केल करना।
- Min-Max Scaling: डेटा को एक निश्चित सीमा में बदलना।
- पाइथन में
StandardScalerऔरMinMaxScalerका उपयोग करना।
बधाई हो!
आपने डेटा सामान्यीकरण का पाठ पूरा कर लिया है। पायथन में डेटा को मिलाने 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
- 22
- पाठ
- 94
अक्सर पूछे जाने वाले प्रश्न
क्या “Data Normalization” पाठ निःशुल्क है?
हाँ—“Data Normalization” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और Python For Kids पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। Python For Kids पाठ्यक्रम में कुल 5 पाठ शामिल हैं।
“Data Normalization” में मैं क्या सीखूँगा?
Standardization और Scaling तकनीकें आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ Python For Kids का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या Python For Kids शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर Python For Kids 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।
“Data Normalization” 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 For Kids पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर Python For Kids 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।