機械学習:中央化とスケーリングの目的を理解する

機械学習:中央化とスケーリングの目的を理解する' -> '機械学習:中央化とスケーリングの目的を理解する

変換器の使用(MinMaxScaler、StandardScaler、RobustScaler)

Scaling, Image by Flo on OpenSea

はじめに

この記事では、中央値とスケーリングの概念について紹介します。実世界のユースケースを使用して、データの中央化とスケール化の利点について説明します。

Scikit-Learnの準備ができたメソッドを使用して、単純な計算と説明に入ります。

技術的には、MinMaxScaler、StandardScaler、RobustScalerを比較します。これらは、前処理を容易にする変換器のメソッドの一部です。

最後に、データの中央化とスケーリングの目的を理解し、準備ができたScikit-Learnの変換器を使用できるようになります。

中央化とスケーリングとは?

概念の理解

スケーリングはデータを特定の範囲やスケールに変換し、中央化はデータポイントをシフトしてその平均がゼロになるようにします。以下に例を示します。

Image by Flo

データのスケーリングと中央化の効果が見られます。右側では、データが0周りに中央化され、短いスケール(X軸およびY軸)で表示されています。

利点

データの中央化とスケーリングにはいくつかの利点がありますが、スケーリングに関しては以下が重要です:

  • アルゴリズムのパフォーマンスの向上:距離を使用するK-Nearest Neighbors(KNN)やK-Meansなどのアルゴリズムは、データ間の距離に敏感です。データのスケールを縮小することで、パフォーマンスを向上させます。
  • 特徴量の正規化:データセットにスケールの異なる特徴量が含まれている場合、データのスケーリングにより、大きな値を持つ特徴量に過剰な重要性を与えることを避けることができます。
  • データの比較の改善:データのスケールが同じであるため、データの比較が容易になります。
  • 数値的な問題の防止:データのスケーリングにより、オーバーフローやアンダーフロー(数値が非常に小さいまたは大きい場合)などの問題を防ぐことができます。
  • 外れ値の影響の軽減

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

データサイエンス

AIにおける継続的学習の現状について

なぜchatGPTは2021年までの訓練しかされていないのですか?この記事では、深層学習における継続的な学習の現状を解説し、特に...

コンピュータサイエンス

「トップの生成AIプロジェクト」

急速に進化する技術のパノラマの中で、生成型AIプロジェクトの出現は、コンテンツの作成、体験、および相互作用の方法を再定...

機械学習

エンジニアにとって役立つ6つのリソース

「このリソースのコレクションは、さまざまな経験レベルを持つ多くのAIのプロフェッショナルに役立つでしょうブックマークに...

AIニュース

「OpenAIがGPT-4の力を持つChatGPT Enterpriseを発表」

AI研究の先駆的な組織であるOpenAIは、人工知能の世界における興奮をもたらす新たな章を紹介しました – ChatGPT Enterp...

機械学習

Fast.AIディープラーニングコースからの7つの教訓

「最近、Fast.AIのPractical Deep Learning Courseを修了しましたこれまでに多くの機械学習コースを受講してきましたので、比...

人工知能

バードは論理と推論力においてますます上達しています

精度の高い回答を得るための2つの改善点と、Google Sheetsへのエクスポートに向けた改善点がBardに導入されます