هنگام ساخت یک مدل یادگیری ماشین ، مقیاس گذاری داده ها در یادگیری ماشین مهمترین عنصر از طریق پیش پردازش داده ها است. مقیاس بندی ممکن است تفاوت بین مدل یادگیری ماشین ضعیف و یک مدل قویتر را تشخیص دهد.
الگوریتم یادگیری ماشینی فقط در صورت تفاوت معنی دار در بعد ، عددی را تشخیص می دهد ، مثلاً تعداد کمی از آنها در ده ها یا صدها یا اغلب هزاران نفر متفاوت است ، در میان این اعداد غالب وقتی داده ها قبل از مقیاس بندی استفاده می شوند ، سعی می شود هنگام آماده سازی نقش پررنگ تری داشته باشد مدل ML
برای الگوریتم های یادگیری ماشین ، مقیاس گذاری داده ها در محاسبه فواصل بین داده ها و ارزیابی متغیرها با مفهوم آنها در مقایسه با یک متغیر دلخواه کم ارزش ، مهم است.
توضیح دیگر اینکه چرا از علم مقیاس داده استفاده می شود این است که تعداد کمی از الگوریتم ها با مقیاس گذاری داده ها عملکرد بهتری نسبت به آنها بدون رگرسیون غیرخطی شبکه عصبی دارند.
عملکرد مقیاس گذاری بین حداقل و حداکثر مقدار تعریف شده ، اغلب بین 0 تا 1 یا به گونه ای که حداکثر حد بالای هر تابع در یک واحد اندازه گرفته شود ، یک استاندارد جایگزین است.
انعطاف پذیری نسبت به تفاوت میانگین کمی توابع و محافظت از ورودی های صفر در داده های پراکنده در مدل ، فرصت استفاده از مقیاس گذاری داده ها را فراهم می کند.
- تحلیلگران …