Нормализација података је техника која помаже у постизању бржег резултата јер машина мора обрадити мањи распон података. Нормализација није лак задатак јер сви ваши резултати зависе од избора ваше методе нормализације. Дакле, ако сте изабрали погрешан метод за нормализацију података, можда ћете добити нешто другачије од својих очекивања.
Нормализација такође зависи од типа података попут слика, текста, нумеричких итд. Дакле, сваки тип података има другачији начин нормализације. Дакле, у овом чланку фокусирамо се на нумеричке податке.
Метод 1: Коришћење склеарн -а
Метода склеарн је врло позната метода за нормализацију података.
У ћелији број [83] : Увозимо све потребне библиотеке, НумПи и склеарн. Можете видети да предрадњу увозимо из самог склеарна. Зато је ово метода нормализације склеарна.
У ћелији број [84] : Креирали смо НумПи низ са неком целобројном вредношћу која није иста.
У ћелији број [85] : Позвали смо методу нормализе из предпроцесирања и проследили нумпи_арраи, који смо управо креирали као параметар.
У ћелији број [86] : Из резултата можемо видети да су сви наши целобројни подаци сада нормализовани између 0 и 1.
Метод 2: Нормализујте одређену колону у скупу података помоћу склеарн
Такође можемо нормализовати одређену колону скупа података. У овоме ћемо разговарати о томе.
У ћелији број [87] : Увозимо библиотеку пандас и склеарн.
У ћелији број [88] : Направили смо лажну ЦСВ датотеку и сада учитавамо ту ЦСВ датотеку уз помоћ пандас (реад_цсв) пакета.
У ћелији број [89] : Штампамо ону ЦСВ датотеку коју смо недавно учитали.
У ћелији број [90] : Читамо одређену колону ЦСВ датотеке користећи нп. низ и сачувајте резултат у валуе_арраи.
У ћелији број [92] , позвали смо метод нормализације из предпроцесирања и проследили параметар валуе_арраи.
Метод 3: Претворите у нормализацију без коришћења колона у низу (помоћу склеарн)
У претходном методу 2, разговарали смо о томе како бисмо одређену колону ЦСВ датотеке могли да нормализујемо. Али понекад морамо да нормализујемо цео скуп података, онда можемо да користимо доњу методу где нормализујемо цео скуп података, али дуж колоне (оса = 0). Ако споменемо осу = 1, то ће учинити нормализацију по редовима. Оса = 1 је подразумевана вредност.
У ћелији број [93] : Увозимо библиотеку пандас и склеарн.
У ћелији број [94] : Направили смо лажну ЦСВ датотеку (демо_нумериц.цсв) и сада учитавамо ту ЦСВ датотеку уз помоћ пандас (реад_цсв) пакета.
У ћелији број [95] : Штампамо ону ЦСВ датотеку коју смо недавно учитали.
У ћелији број [96] : Сада прослеђујемо целу ЦСВ датотеку заједно са још једном осовином параметра = 0, која је библиотеци рекла да корисник жели да нормализује цео скуп података по колонама.
У ћелији број [97] , штампамо резултат и нормализујемо податке са вредношћу између 0 и 1.
Метод 4: Коришћење МинМакСцалер -а ()
Склеарн такође пружа још један метод нормализације, који смо назвали МинМакСцалар. Ово је такође веома популаран метод јер се лако користи.
У ћелији број [98] : Увозимо све потребне пакете.
У ћелији број [99] : Направили смо лажну ЦСВ датотеку (демо_нумериц.цсв) и сада учитавамо ту ЦСВ датотеку уз помоћ пандас (реад_цсв) пакета.
У ћелији број [100] : Штампамо ону ЦСВ датотеку коју смо недавно учитали.
У ћелији број [101] : Позвали смо МинМакСцалар из методе предпроцесирања и за то смо креирали објекат (мин_мак_Сцалар). Нисмо проследили никакве параметре јер морамо да нормализујемо податке између 0 и 1. Али ако желите, можете додати своје вредности које ће се видети у следећој методи.
У ћелији број [102] : Прво смо прочитали све називе колона за даљу употребу за приказ резултата. Затим позивамо фит_транформ из креираног објекта мин_мак_Сцалар и прослеђујемо ЦСВ датотеку у то.
У ћелији број [103] : Добијамо нормализоване резултате који су између 0 и 1.
Метод 5: Коришћење МинМакСцалер -а (феатуре_ранге = (к, и))
Склеарн такође пружа могућност промене нормализоване вредности онога што желите. Подразумевано, они нормализују вредност између 0 и 1. Али постоји параметар који смо назвали феатуре_ранге, који може поставити нормализовану вредност према нашим захтевима.
У ћелији број [104] : Увозимо све потребне пакете.
У ћелији број [105] : Направили смо лажну ЦСВ датотеку (демо_нумериц.цсв) и сада учитавамо ту ЦСВ датотеку уз помоћ пандас (реад_цсв) пакета.
У ћелији број [106] : Штампамо ону ЦСВ датотеку коју смо недавно учитали.
У ћелији број [107] : Позвали смо МинМакСцалар из методе предпроцесирања и за то смо креирали објекат (мин_мак_Сцалар). Али такође прослеђујемо још један параметар унутар МинМакСцалер -а (ранге_ феатуре). Ту вредност параметра постављамо од 0 до 2. Дакле, МинМакСцалер ће нормализовати вредности података између 0 до 2.
У ћелији број [108] : Прво смо прочитали све називе колона за даљу употребу за приказ резултата. Затим позивамо фит_транформ из креираног објекта мин_мак_Сцалар и прослеђујемо ЦСВ датотеку у то.
У ћелији број [109] : Добијамо нормализоване резултате који су између 0 и 2.
Метод 6: Коришћење максималног апсолутног скалирања
Такође можемо нормализовати податке помоћу панди. Ове функције су такође веома популарне при нормализацији података. Максимално апсолутно скалирање нормализује вредности између 0 и 1. Овде примењујемо .мак () и .абс () као што је приказано испод:
У ћелији број [110] : Увозимо библиотеку панди.
У ћелији број [111] : Направили смо лажни оквир података и одштампали га.
У ћелији број [113] : Позивамо сваку колону, а затим делимо вредности колоне са .мак () и .абс ().
У ћелији број [114] : Штампамо резултат и из резултата потврђујемо да се наши подаци нормализују између 0 и 1.
Метод 7: Употреба методе з-сцоре
Следећи метод о коме ћемо говорити је з-сцоре метода. Ова метода претвара информације у дистрибуцију. Ова метода израчунава средњу вредност сваке колоне, а затим одузима сваку колону и на крају је дели стандардном девијацијом. Ово нормализује податке између -1 и 1.
У ћелији број [115] : Направили смо лажни оквир података и одштампали га.
У ћелији број [117] : Израчунавамо средњу вредност колоне и одузимамо је од колоне. Затим вредност колоне делимо стандардном девијацијом.
У ћелији број [118] : Штампамо нормализоване податке између -1 и 1.
Закључак: Видели смо различите врсте нормализованих метода. Међу њима, склеарн је веома познат по томе што подржава машинско учење. Али то зависи од захтева корисника. Понекад је функција панде за нормализацију података довољна. Не можемо рећи да постоје само горе наведене методе нормализације. Постоје бројни начини нормализације података који такође зависе од вашег типа података, попут слика, нумеричких, текстуалних итд. Фокусирамо се на ове нумеричке податке и Питхон.