Normalisasi Data
Teknik standardisasi dan penskalaan
Normalisasi Data adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 3 dari 5. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 5 pelajaran total.
Normalisasi Data
Normalisasi Data
Normalisasi data memastikan semua fitur dalam kumpulan data memiliki skala yang serupa. Hal ini sangat penting untuk algoritma seperti penurunan gradien dan model berbasis jarak. Dalam pelajaran ini, kita akan mempelajari teknik standardisasi dan penskalaan.
Mengapa Data Perlu Dinormalisasi?
Mengapa Data Perlu Dinormalisasi?
Normalisasi memastikan semua fitur memberikan kontribusi yang sama terhadap model. Tanpa normalisasi, fitur dengan skala yang lebih besar dapat mendominasi proses pembelajaran.
Contoh:
- Usia (0-100) dan pendapatan (0-100.000) harus diskalakan ke rentang yang sebanding.
Standardisasi
Standardisasi
Standardisasi mengubah data sehingga memiliki rata-rata 0 dan simpangan baku 1. Perhitungannya adalah:
z = (x - mean) / std_dev
Standardisasi ideal untuk algoritma seperti regresi logistik dan SVM.
Penskalaan Min-Maks
Penskalaan Min-Maks
Penskalaan min-maks mengubah skala data ke rentang tetap, biasanya [0, 1]. Perhitungannya adalah:
x_scaled = (x - min) / (max - min)
Teknik ini digunakan ketika data perlu dibatasi dalam rentang tertentu.
Normalisasi dalam Python (Standardisasi)
Normalisasi dalam Python (Standardisasi)
Gunakan StandardScaler dari sklearn.preprocessing untuk menstandardisasi data.
Contoh:
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)Normalisasi dalam Python (Penskalaan Min-Maks)
Normalisasi dalam Python (Penskalaan Min-Maks)
Gunakan MinMaxScaler dari sklearn.preprocessing untuk menerapkan penskalaan min-maks.
Contoh:
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(data)Memilih Teknik Normalisasi
Memilih Teknik Normalisasi
Pertimbangkan hal-hal berikut saat memilih teknik:
- Standardisasi: Gunakan ketika data mengandung pencilan.
- Penskalaan Min-Maks: Gunakan ketika fitur perlu dibatasi dalam rentang tertentu.
Ringkasan
Ringkasan
Dalam pelajaran ini, Anda telah mempelajari:
- Standardisasi: Menskalakan data hingga memiliki rata-rata 0 dan simpangan baku 1.
- Penskalaan Min-Maks: Mentransformasikan data ke rentang tetap.
- Menggunakan
StandardScalerdanMinMaxScalerdalam Python.
Selamat!
Selamat!
Anda telah menyelesaikan pelajaran tentang Normalisasi Data. Lanjutkan ke pelajaran berikutnya untuk mempelajari Penggabungan Data dalam Python.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Normalisasi Data” gratis?
Ya — teks lengkap “Normalisasi Data” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 5 pelajaran total.
Apa yang akan aku pelajari di “Normalisasi Data”?
Teknik standardisasi dan penskalaan Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Learn AI with Python?
Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 5.
Berapa lama pelajaran “Normalisasi Data” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?
Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Jenis-Jenis Data
- Menangani Data yang Hilang
- Normalisasi Data
- Menggabungkan Data dalam Python
- Ekstraksi Fitur dari Data