Normalisasi Data
Teknik piawaian dan penskalaan.
Normalisasi Data ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 3 daripada 5. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 5 pelajaran.
Normalisasi Data
Normalisasi data memastikan semua ciri dalam set data mempunyai skala yang serupa. Hal ini penting untuk algoritma seperti penurunan kecerunan dan model berasaskan jarak. Dalam pelajaran ini, kita akan meneroka teknik penstandardan dan penskalaan.
Mengapakah Data Perlu Dinormalisasikan?
Normalisasi memastikan semua ciri menyumbang secara sama rata kepada model. Tanpa normalisasi, ciri dengan skala yang lebih besar boleh mendominasi proses pembelajaran.
Contoh:
- Umur (0-100) dan pendapatan (0-100,000) hendaklah diskalakan kepada julat yang setanding.
Penstandardan
Penstandardan mengubah data supaya mempunyai min 0 dan sisihan piawai 1. Pengiraannya adalah seperti berikut:
z = (x - mean) / std_dev
Penstandardan sesuai untuk algoritma seperti regresi logistik dan SVM.
Penskalaan Min-Maks
Penskalaan min-maks menskalakan data kepada julat tetap, biasanya [0, 1]. Pengiraannya adalah seperti berikut:
x_scaled = (x - min) / (max - min)
Teknik ini digunakan apabila data perlu dihadkan dalam julat tertentu.
Normalisasi dalam Python (Penstandardan)
Gunakan StandardScaler daripada sklearn.preprocessing untuk menstandardkan data.
Contoh:
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)Normalisasi dalam Python (Penskalaan Min-Maks)
Gunakan MinMaxScaler daripada sklearn.preprocessing untuk menggunakan penskalaan min-maks.
Contoh:
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(data)Memilih Teknik Normalisasi
Pertimbangkan perkara berikut semasa memilih teknik:
- Penstandardan: Gunakan apabila data mengandungi nilai terpencil.
- Penskalaan Min-Maks: Gunakan apabila ciri perlu dihadkan dalam julat tertentu.
Ulang Kaji
Dalam pelajaran ini, anda telah mempelajari tentang:
- Piawaian: Menskalakan data kepada min 0 dan sisihan piawai 1.
- Penskalaan Min-Maks: Mengubah data kepada julat tetap.
- Menggunakan
StandardScalerdanMinMaxScalerdalam Python.
Tahniah!
Anda telah menyelesaikan pelajaran tentang Normalisasi Data. Teruskan ke pelajaran seterusnya untuk mempelajari Penggabungan Data dalam Python.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 53
- Pelajaran
- 225
Soalan Lazim
Adakah pelajaran “Normalisasi Data” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Normalisasi Data”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 5 pelajaran.
Apakah yang akan saya pelajari dalam “Normalisasi Data”?
Teknik piawaian dan penskalaan. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 5.
Berapa lamakah pelajaran “Normalisasi Data” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?
Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Jenis Data
- Mengendalikan Data yang Hilang
- Normalisasi Data
- Penggabungan Data dalam Python
- Pengekstrakan Ciri daripada Data