การทำข้อมูลให้เป็นมาตรฐาน
เทคนิคการทำให้เป็นมาตรฐานและการปรับสเกล
การทำข้อมูลให้เป็นมาตรฐาน เป็นบทเรียน Python For Kids ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 5 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Python For Kids และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Python For Kids มีบทเรียนทั้งหมด 5 บทเรียน
การทำให้ข้อมูลเป็นมาตรฐาน
การทำให้ข้อมูลเป็นมาตรฐานช่วยให้คุณลักษณะทั้งหมดในชุดข้อมูลมีมาตราส่วนใกล้เคียงกัน ซึ่งสำคัญอย่างยิ่งสำหรับอัลกอริทึมอย่างการไล่ระดับลงและแบบจำลองที่อาศัยระยะห่าง ในบทเรียนนี้ เราจะสำรวจเทคนิคการทำให้เป็นมาตรฐานและการปรับมาตราส่วน
เหตุใดจึงต้องทำให้ข้อมูลเป็นมาตรฐาน
การทำให้เป็นมาตรฐานช่วยให้คุณลักษณะทั้งหมดมีส่วนร่วมกับแบบจำลองอย่างเท่าเทียมกัน หากไม่ทำให้เป็นมาตรฐาน คุณลักษณะที่มีมาตราส่วนใหญ่กว่าอาจครอบงำกระบวนการเรียนรู้
ตัวอย่าง:
- อายุ (0-100) และรายได้ (0-100,000) ควรได้รับการปรับให้อยู่ในช่วงที่สามารถเปรียบเทียบกันได้
การทำให้เป็นมาตรฐาน
การทำให้เป็นมาตรฐานจะแปลงข้อมูลให้มีค่าเฉลี่ยเป็น 0 และส่วนเบี่ยงเบนมาตรฐานเป็น 1 โดยคำนวณดังนี้:
z = (x - mean) / std_dev
การทำให้เป็นมาตรฐานเหมาะสำหรับอัลกอริทึมอย่างการถดถอยโลจิสติกและ SVM
การปรับมาตราส่วนแบบค่าต่ำสุด-ค่าสูงสุด
การปรับมาตราส่วนแบบค่าต่ำสุด-ค่าสูงสุดจะปรับข้อมูลให้อยู่ในช่วงคงที่ โดยทั่วไปคือ [0, 1] โดยคำนวณดังนี้:
x_scaled = (x - min) / (max - min)
เทคนิคนี้ใช้เมื่อข้อมูลจำเป็นต้องอยู่ภายในขอบเขตที่กำหนด
การทำให้ข้อมูลเป็นมาตรฐานใน Python (การทำให้เป็นมาตรฐาน)
ใช้ StandardScaler จาก sklearn.preprocessing เพื่อทำให้ข้อมูลเป็นมาตรฐาน
ตัวอย่าง:
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)การทำให้ข้อมูลเป็นมาตรฐานใน Python (การปรับมาตราส่วนแบบค่าต่ำสุด-ค่าสูงสุด)
ใช้ MinMaxScaler จาก sklearn.preprocessing เพื่อใช้การปรับมาตราส่วนแบบค่าต่ำสุด-ค่าสูงสุด
ตัวอย่าง:
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(data)การเลือกเทคนิคการทำให้ข้อมูลเป็นมาตรฐาน
โปรดพิจารณาสิ่งต่อไปนี้เมื่อเลือกเทคนิค:
- การทำให้เป็นมาตรฐาน: ใช้เมื่อข้อมูลมีค่าผิดปกติ
- การปรับมาตราส่วนแบบค่าต่ำสุด-ค่าสูงสุด: ใช้เมื่อคุณลักษณะจำเป็นต้องอยู่ภายในขอบเขตที่กำหนด
สรุปทบทวน
ในบทเรียนนี้ คุณได้เรียนรู้เกี่ยวกับ:
- การทำให้เป็นมาตรฐาน: ปรับขนาดข้อมูลให้มีค่าเฉลี่ยเป็น 0 และส่วนเบี่ยงเบนมาตรฐานเป็น 1
- การปรับขนาดแบบมิน-แมกซ์: แปลงข้อมูลให้อยู่ในช่วงค่าที่กำหนด
- การใช้
StandardScalerและMinMaxScalerใน Python
ขอแสดงความยินดี
คุณเรียนจบบทเรียนเรื่องการทำให้ข้อมูลเป็นมาตรฐานแล้ว ไปยังบทเรียนถัดไปเพื่อเรียนรู้เกี่ยวกับการรวมข้อมูลใน Python
คำถามที่พบบ่อย
บทเรียน “การทำข้อมูลให้เป็นมาตรฐาน” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การทำข้อมูลให้เป็นมาตรฐาน” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Python For Kids ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Python For Kids มีบทเรียนทั้งหมด 5 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การทำข้อมูลให้เป็นมาตรฐาน”
เทคนิคการทำให้เป็นมาตรฐานและการปรับสเกล คุณปฏิบัติ Python For Kids ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Python For Kids หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Python For Kids บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 5 บทเรียน
บทเรียน “การทำข้อมูลให้เป็นมาตรฐาน” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Python For Kids นี้ได้ไหม
ได้ บทเรียน Python For Kids ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- ประเภทของข้อมูล
- การจัดการข้อมูลที่หายไป
- การทำข้อมูลให้เป็นมาตรฐาน
- การรวมข้อมูลใน Python
- การสกัดคุณลักษณะจากข้อมูล