Нормализация данных
Методы стандартизации и масштабирования
«Нормализация данных» — бесплатный урок Python For Kids на CoddyKit. Это урок 3 из 5. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Python For Kids, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Python For Kids содержит 5 уроков всего.
Нормализация данных
Нормализация данных обеспечивает сопоставимый масштаб всех признаков в наборе данных. Это особенно важно для таких алгоритмов, как градиентный спуск, и моделей, основанных на расстояниях. В этом уроке мы рассмотрим методы стандартизации и масштабирования.
Зачем нормализовать данные?
Нормализация позволяет всем признакам вносить одинаковый вклад в модель. Без нормализации признаки с большими масштабами могут доминировать в процессе обучения.
Пример:
- Возраст (0–100) и доход (0–100 000) следует привести к сопоставимым диапазонам.
Стандартизация
Стандартизация преобразует данные так, чтобы среднее значение равнялось 0, а стандартное отклонение — 1. Она рассчитывается так:
z = (x - mean) / std_dev
Стандартизация подходит для таких алгоритмов, как логистическая регрессия и SVM.
Масштабирование по минимуму и максимуму
Масштабирование по минимуму и максимуму приводит данные к фиксированному диапазону, обычно [0, 1]. Оно рассчитывается так:
x_scaled = (x - min) / (max - min)
Этот метод используется, когда значения данных должны находиться в ограниченном диапазоне.
Нормализация в Python (стандартизация)
Используйте StandardScaler из sklearn.preprocessing, чтобы стандартизировать данные.
Пример:
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)Нормализация в Python (масштабирование по минимуму и максимуму)
Используйте MinMaxScaler из sklearn.preprocessing, чтобы выполнить масштабирование по минимуму и максимуму.
Пример:
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(data)Выбор метода нормализации
При выборе метода учитывайте следующее:
- Стандартизация: используйте, если данные содержат выбросы.
- Масштабирование по минимуму и максимуму: используйте, если признаки должны находиться в ограниченном диапазоне.
Итоги
В этом уроке Вы узнали о следующем:
- Стандартизация: масштабирование данных так, чтобы среднее значение равнялось 0, а стандартное отклонение — 1.
- Масштабирование по минимуму и максимуму: преобразование данных к фиксированному диапазону.
- Использование
StandardScalerиMinMaxScalerв Python.
Поздравляем!
Вы завершили урок о нормализации данных. Переходите к следующему уроку, чтобы узнать об объединении данных в Python.
Часто задаваемые вопросы
Урок «Нормализация данных» бесплатный?
Да — полный текст урока «Нормализация данных» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Python For Kids, подпишись на CoddyKit PRO. Курс Python For Kids содержит 5 уроков всего.
Чему я научусь в уроке «Нормализация данных»?
Методы стандартизации и масштабирования Ты практикуешь Python For Kids с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Python For Kids?
Предыдущий опыт не требуется. Python For Kids на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 3 из 5.
Сколько времени занимает урок «Нормализация данных»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Python For Kids?
Да. Каждый урок Python For Kids включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Типы данных
- Обработка пропущенных данных
- Нормализация данных
- Объединение данных в Python
- Извлечение признаков из данных